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！

龙图腾网获悉东北林业大学;黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院);中国科学院空天信息创新研究院申请的专利一种基于特征融合网络的细粒度物候参数提取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：CN119693753B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411796300.5，技术领域涉及：G06V10/80；该发明授权一种基于特征融合网络的细粒度物候参数提取方法是由景维鹏;李超;陈广胜;徐慧铭;邹为涛;于鸣;吴晓强;谷俊涛;王建设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种基于特征融合网络的细粒度物候参数提取方法在说明书摘要公布了：本发明提供一种基于特征融合网络的细粒度物候参数提取方法，包括以下步骤：1对物候相机中拍摄的照片进行收集和预处理，构建出适用于训练的数据集；2物候参数提取；首先，引入ResNet18，通过3×3的卷积核进行全局特征提取；其次，针对轻量级提取局部特征部分；3在两个分支各自提取全局和局部特征后，采用自适应特征融合模块将两部分特征进行融合，利用GELU激活函数对拼接后的特征进行处理，生成综合的特征；4分类层使用Softmax函数，加入Dropout技术将融合后的特征映射到不同物候期的类别空间，实现对多种物候期的精确分类。本发明实现了高精度的物候期监测框架，操作简单，物候期提取细粒度高，适用于植物生长过程的生态研究。

本发明授权一种基于特征融合网络的细粒度物候参数提取方法在权利要求书中公布了：1.一种基于特征融合网络的细粒度物候参数提取方法，其特征在于，包括以下步骤： 1对物候相机中拍摄的照片进行收集和预处理，构建出适用于训练的数据集； 2物候参数提取； 首先，引入ResNet18，通过3×3的卷积核进行全局特征提取； 其次，针对轻量级提取局部特征部分； 局部特征提取具体方法为； 采用双层路由模块，通过重新排列输入数据，将其转换为形状为的形式；接着，通过线性投影得到查询、键和值的张量；线性投影的计算通过将重新排列的输入数据分别与投影权重相乘，得到对应的查询、键和值；区域间的路由通过有向图实现； 在这一阶段，通过对每个区域的查询和键进行平均处理，生成区域级别的查询和键矩阵；仅保留每个区域与前k个最相关区域的连接； 引入局部上下文增强项来进一步提升局部特征的表示能力；具体公式如下所示： O＝AttentionXrWq,Kg,Vg+LCEXrWv Kg＝gatherK,topIndexQrXrWkT Vg＝gatherV,topIndexQrXrWvT 其中，Wq,Wk,Wv分别为Q查询、K键和V值的投影权重，O是注意力总和，Q是线性投影，Kg为聚集键，Vg为值张量，LCEXrWv为值张量，为局部上下文增强项，每个注意力的通道数设置为32，核大小为5； 轻量级提取局部特征部分采用GELU激活函数和交叉熵损失函数，且采用AdamW算法进行训练和RandAugment自动化增强策略，优化模型参数；GELU激活函数如下： 其中，0.5是系数，用来缩放输入的一部分，x为输入值，tanh表示双曲正切函数，是一个常数因子，用来对输入进行缩放；0.044715是一个常数，用于调整x的三次项，以改进GELU函数的逼近效果； 交叉熵损失函数如下： C为分类的总类别数，yi为真实标签的指示变量，pi为模型预测的第i类的概率值，logpi表示模型预测概率的对数值； 3在两个分支各自提取全局和局部特征后，采用自适应特征融合模块将两部分特征进行融合，利用GELU激活函数对拼接后的特征进行处理，生成综合的特征表示： Ffuse＝Softmaxα×featurevector1+β×featurevector2 α和β为可学习的权重参数，分别控制featurevector1和featurevector2在特征融合中的权重；featurevector1和featurevector2分别为全局特征和局部特征； 4分类层使用Softmax函数，加入Dropout技术将融合后的特征映射到不同物候期的类别空间，实现对多种物候期的精确分类；当模型开始训练后，每一轮训练都会对模型参数进行微调。

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东北林业大学;黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院);中国科学院空天信息创新研究院，其通讯地址为：150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学；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”。

以上内容由龙图腾AI智能生成。