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！

龙图腾网获悉江西省通讯终端产业技术研究院有限公司;江西省智能硬件制造创新中心有限公司;中国平煤神马控股集团有限公司申请的专利轻量化大卷积核图像特征提取网络模型及其应用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：CN120106144B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510275844.5，技术领域涉及：G06N3/0464；该发明授权轻量化大卷积核图像特征提取网络模型及其应用是由吴成中;张建国;朱江;王耀南;张辉;冯明涛;刘学兵;钟杭;李达;贺振东;龙满生;曾志云;朱琦;范崇高;彭海;李帅设计研发完成，并于2025-03-10向国家知识产权局提交的专利申请。

本轻量化大卷积核图像特征提取网络模型及其应用在说明书摘要公布了：本发明公开了一种轻量化大卷积核图像特征提取网络模型及其应用，属于视觉图像处理技术，包括依次级联的标准卷积、第一阶段卷积组、空间注意力模块、第二阶段卷积组、空间‑通道注意力模块、第三阶段卷积组、空间‑通道注意力模块、第四阶段卷积组和通道注意力模块；其中各个阶段卷积组包括级联的轻量化多分支卷积块和自适应大核多分支卷积块；轻量化多分支卷积块包括池化层以及若干轻量化高效混合卷积层；自适应大核多分支卷积块包括自适应大核卷积层以及若干轻量化高效混合卷积层。本发明通过轻量化卷积操作，同时引入大核卷积和适当的多分支策略，减少模型参数量和计算复杂度，降低计算成本，保持模型实时推理速度和强大的特征提取能力。

本发明授权轻量化大卷积核图像特征提取网络模型及其应用在权利要求书中公布了：1.一种轻量化大卷积核图像特征提取网络模型，从视觉传感器获取的原始图像中提取原始图像的多尺度特征图，其特征在于：所述模型包括依次级联的标准卷积、第一阶段卷积组、空间注意力模块、第二阶段卷积组、空间-通道注意力模块、第三阶段卷积组、空间-通道注意力模块、第四阶段卷积组和通道注意力模块；其中各个阶段卷积组包括级联的轻量化多分支卷积块LMBlock和自适应大核多分支卷积块ALKBlock； 所述轻量化多分支卷积块LMBlock包括池化层以及若干轻量化高效混合卷积层LaEConv，对第一输入特征图M执行通道拆分操作，从通道上分割成不同通道数的三个子特征图M1、M2和M3；对于子特征图M1，依次通过第一轻量化高效混合卷积层LaEConv、批归一化层BatchNorm、SiLU激活函数、第二轻量化高效混合卷积层LaEConv、批归一化层BatchNorm、第一轻量化高效混合卷积层LaEConv、批归一化层BatchNorm和SiLU激活函数，得到子特征图M1＇；对于子特征图M2，通过池化层，得到子特征图M2＇；对于子特征图M3，依次通过第二轻量化高效混合卷积层LaEConv、批归一化层BatchNorm、第一轻量化高效混合卷积层LaEConv、批归一化层BatchNorm和SiLU激活函数，得到子特征图M3＇；将子特征图M1＇、M2＇和M3＇按通道拼接，得到子特征图M4，对特征图M4使用通道Shuffle混洗操作，得到第一输出特征图Mout； 所述自适应大核多分支卷积块ALKBlock包括自适应大核卷积层以及若干轻量化高效混合卷积层LaEConv，对轻量化多分支卷积块LMBlock输出的特征图执行通道拆分操作，从通道上分割成不同通道数的三个子特征图P1、P2和P3；对于子特征图P1，依次通过批归一化层BatchNorm、第一轻量化高效混合卷积层LaEConv、自适应大核卷积层ALKConv、第一轻量化高效混合卷积层LaEConv，得到子特征图P4；对于子特征图P2，将子特征图P2与子特征图P4逐元素相加，得到子特征图P5；对于子特征图P3，依次通过第一轻量化高效混合卷积层LaEConv、批归一化层BatchNorm和SiLU激活函数、第二轻量化高效混合卷积层LaEConv、批归一化层BatchNorm、第一轻量化高效混合卷积层LaEConv、批归一化层BatchNorm和SiLU激活函数，得到子特征图P6；将子特征图P4通过ReLu激活函数，得到子特征图P4＇；将子特征图P5、子特征图P6和子特征图P4＇按通道拼接，得到子特征图P7；对子特征图P7使用通道Shuffle混洗操作，得到第二输出特征图Pout。

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江西省通讯终端产业技术研究院有限公司;江西省智能硬件制造创新中心有限公司;中国平煤神马控股集团有限公司，其通讯地址为：343100 江西省吉安市井冈山经济技术开发区普祥路物联网创客园3号楼；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”。