买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于超分辨率图像重建和类别一致性约束的图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115661510B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211195463.9，技术领域涉及：G06V10/764；该发明授权基于超分辨率图像重建和类别一致性约束的图像分类方法是由王晓甜;冯继凡;崔鑫语;党敏设计研发完成，并于2022-09-29向国家知识产权局提交的专利申请。

本基于超分辨率图像重建和类别一致性约束的图像分类方法在说明书摘要公布了：本发明公开了一种基于超分辨率图像重建和类别一致性约束的图像分类方法，实现步骤为：获取训练样本集和测试样本集；构建基于超分辨率重建和类别一致性的图像分类网络模型；对图像分类网络模型进行迭代训练；获取低分辨率图像分类结果。本发明利用超分辨率重建网络模块间短路连接提升低分辨率图像质量，丰富图像的细节信息，提升网络的分类精度，通过约束网络之间的类别概率一致，增加低分辨率特征提取网络提取到特征的分辨性，进一步提高了图像分类精度，可用于低分辨率图像分类。

本发明授权基于超分辨率图像重建和类别一致性约束的图像分类方法在权利要求书中公布了：1.一种基于超分辨率图像重建和类别一致性约束的图像分类方法，其特征在于，包括如下步骤： 1获取训练样本集和测试样本集： 1a获取包括M个目标类别且每个类别包含K幅RGB图像的数据集D1，并对每幅图像中的目标进行标注，然后对D1中的每幅图像进行下采样，得到包括MK幅低分辨率图像的数据集D2，其中M≥100，K≥40； 1b随机选取图像数据集D1中每类别包含的X幅图像，并将所选取的共N＝MX幅RGB图像及其对应的低分辨率图像，以及每幅图像的类别标签组成训练样本集R，同时将剩余的MK-X幅低分辨率图像以及每幅图像的类别标签组成测试样本集E，其中，X＞0.5K； 2构建基于超分辨率重建和类别一致性的图像分类网络模型C： 构建包括并行排布的网络参数为的第一特征提取网络H1和网络参数为θL的低分辨率特征提取网络L的图像分类网络模型C，其中低分辨率特征提取网络L由顺次连接的超分辨图像重建网络S和第二特征提取网络H2组成；第一、第二特征提取网络H1、H2均包括多个卷积层、多个MBConv模块、全连接层和SoftMax激活函数层；超分辨图像重建网络S包括多个卷积层、多个RBConv残差网络模块和多个子像素卷积层；低分辨率特征提取网络L的损失函数ZθL由低分辨率图像交叉熵损失函数JθL、超分辨率重建像素损失函数FθL和类别一致性损失函数BθL组成； 3对图像分类网络模型C进行迭代训练； 3a初始化迭代次数为t，最大迭代次数为T,T≥100，并令t＝0； 3b将训练样本集R作为图像分类网络模型C的输入，第一特征提取网络H1对R中的每幅RGB图像进行特征提取，得到每幅RGB图像的特征，SoftMax激活函数层通过每幅RGB图像的特征计算每幅RGB图像的类别概率；同时低分辨率特征提取网络L中的超分辨图像重建网络S对R中每幅RGB图像对应的低分辨率图像进行图像重建，得到重建图像，第二特征提取网络H2对S输出的每幅重建图像进行特征提取，得到每幅重建图像的特征，SoftMax激活函数层通过每幅重建图像的特征计算每幅低分辨率图像的类别概率； 3c计算第一特征提取网络H1的损失值和低分辨率特征提取网络L的损失值ZθL，并通过和ZθL分别对θL进行更新，得到本次迭代的图像分类网络模型Ct； 3d判断t≥T是否成立，若是，得到训练好的图像分类网络模型C'，否则，令t＝t+1，并执行步骤3b； 4获取低分辨率图像分类结果： 将测试样本集E作为低分辨率特征提取网络L的输入进行前向传播，得到每幅低分辨率图像的属于每个类别的概率，并将每幅图像概率最大的类别作为该幅图像的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。