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！

龙图腾网获悉北京航空航天大学申请的专利基于分层哈希浮点特征的图像检索方法、存储介质及产品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：CN118585665B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202410659880.7，技术领域涉及：G06F16/58；该发明授权基于分层哈希浮点特征的图像检索方法、存储介质及产品是由张永飞;苗宇飞设计研发完成，并于2024-05-27向国家知识产权局提交的专利申请。

本基于分层哈希浮点特征的图像检索方法、存储介质及产品在说明书摘要公布了：本发明公开了一种基于分层哈希浮点特征的图像检索方法、存储介质及产品，应用于图像检索领域，包括：构建并训练深度浮点特征网络模型；构建深度分层哈希‑浮点特征网络模型，并使用知识蒸馏的方法，利用训练好的深度浮点特征网络模型训练深度分层哈希‑浮点特征网络模型；利用深度分层哈希‑浮点特征网络模型提取N层深度哈希特征和深度浮点特征并建立树状索引；在图像检索过程中，按照从低维深度哈希特征、高维深度哈希特征，再到深度浮点特征的由粗到精的分层逐级检索逐层缩小检索范围并输出检索结果。本发明通过构建分层深度哈希‑浮点特征，结合由粗到精的逐级分层检索，在保证检索准确性的同时，有效提高了图像检索的效率。

本发明授权基于分层哈希浮点特征的图像检索方法、存储介质及产品在权利要求书中公布了：1.一种基于分层哈希浮点特征的图像检索方法，其特征在于，包括以下步骤： 步骤1：获取训练样本图像，构建深度浮点特征网络模型，并利用训练样本图像对深度浮点特征网络模型进行训练，获得训练后的深度浮点特征网络模型，以及训练样本图像的深度浮点特征； 步骤2：根据训练后的深度浮点特征网络模型构建深度分层哈希-浮点特征网络模型，并利用训练样本图像的深度浮点特征进行训练，获得训练后的深度分层哈希-浮点特征网络模型和训练样本图像的N层深度哈希特征，N≥2；每层深度哈希特征具有不同维度； 步骤3：将待检索图像库中的图像输入到深度分层哈希-浮点特征网络模型中，得到每幅图像的图像特征，包括N层深度哈希特征和深度浮点特征，并构建待检索图像库的图像特征的分层树状索引； 步骤4：将待检索图像输入到深度分层哈希-浮点特征网络模型中，得到其N层深度哈希特征和深度浮点特征，并在分层树状索引中进行逐级搜索，输出检索结果； 所述步骤2具体实现过程为： 步骤21：在训练后的深度浮点特征网络模型后增加分层深度哈希网络模型，构建深度分层哈希-浮点特征网络模型；分层深度哈希网络模型包括N层由全连接层、激活函数和符号函数构成的输出层； 步骤22：根据训练样本图像的相似度信息和深度浮点特征对分层深度哈希网络模型进行训练，更新分层深度哈希网络模型的参数；将每幅训练样本图像输入深度分层哈希-浮点特征网络模型获得N层深度哈希特征预测结果，如果每幅训练样本图像对应的深度浮点特征的维度与第一层深度哈希特征预测结果的维度的差值小于设定阈值，则进入步骤23，否则进入步骤24； 步骤23：采用知识蒸馏方法，根据每一层深度哈希特征预测结果和相似度信息计算模型损失，并根据每一层深度哈希特征预测结果和深度浮点特征计算KL散度作为知识蒸馏损失，将每一层的模型损失和知识蒸馏损失加权平均后通过反向传播更新分层深度哈希网络模型的参数； 步骤24：采用知识蒸馏方法和助教机制更新分层深度哈希网络模型的参数； 步骤241：采用知识蒸馏方法，根据N层哈希特征预测结果和相似度信息计算模型损失，并根据N层深度哈希特征预测结果和深度浮点特征计算KL散度作为知识蒸馏损失； 步骤242：剩余N-1层深度哈希特征预测结果分别和相似度信息计算模型损失，并根据当前层深度哈希特征预测结果和前一层深度哈希特征预测结果计算KL散度作为知识蒸馏； 步骤243：将每一层的模型损失和知识蒸馏损失加权平均后通过反向传播更新分层深度哈希网络模型的参数； 步骤25：深度浮点特征网络模型和更新后的分层深度哈希网络构成训练后的深度分层哈希-浮点特征网络模型。

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北京航空航天大学，其通讯地址为：100190 北京市海淀区学院路37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”。