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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于高精度且轻量化的特征提取网络模型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：CN115311489B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202210843597.0，技术领域涉及：G06V10/764；该发明授权一种基于高精度且轻量化的特征提取网络模型的图像分类方法是由何旭杰;金晶;刘一;郭亚南设计研发完成，并于2022-07-18向国家知识产权局提交的专利申请。

本一种基于高精度且轻量化的特征提取网络模型的图像分类方法在说明书摘要公布了：本发明提出一种基于高精度且轻量化的特征提取网络模型的图像分类方法。所述方法包括：图像的预处理及图像的特征提取。对于待分类的图像，将其输入到前端特征预提取模块PrM中进行特征的预提取，将提取到的特征逐步输入到第1阶段特征提取模块、第2阶段特征提取模块以及第3阶段特征提取模块，将第3阶段特征提取模块输出的特征进一步输入到后处理模块中，得到最终提取的特征。同时，在网络训练完毕后还对其在第3阶段特征提取模块及后处理模块中进行网络的剪枝操作。本发明所述方法可以更好的服务于中上层诸如目标分类，目标检测等任务，为移动端的嵌入提供了另一种选择。

本发明授权一种基于高精度且轻量化的特征提取网络模型的图像分类方法在权利要求书中公布了：1.一种基于高精度且轻量化的特征提取网络模型的图像分类方法，其特征在于，所述方法具体包括： S1：对全部输入图片进行预处理； S2：将预处理后的图片即特征图输入到前端特征预提取模块PrM中进行特征的预提取； S3：将按照S2的方式得到的预提取的特征输入到第1阶段特征提取模块MS1中，得到经MS1提取的特征q1； S4：将按照S3的方式得到的特征q1输入到第2阶段特征提取模块MS2中，得到经MS2提取的特征q2； S5：将按照S4的方式得到的特征q2输入到第3阶段特征提取模块MS3中，得到经MS3提取的特征q3； S6：将按照S5的方式得到的特征q3输入到后处理模块PoM中，得到最终提取的特征； S7：将所述最终提取的特征经过一次由平均池化和全连接构成的组合操作进行的特征的最终转化，将其转化为输出端可识别的类别信息，从而完成对于输入图片的分类任务； 在S2中，特征图输入至PrM模块后，PrM模块对特征图分别进行一次卷积操作和一次最大池化操作，提取具有初步全局信息的特征； 所述的第1阶段特征提取模块MS1、第2阶段特征提取模块MS2以及第3阶段特征提取模块MS3在结构上均是由1个模块和若干个ASB或SB模块组成，其中MS1含有3个ASB-S模块，MS2含有2个ASB-L和5个ASB-S模块以及MS3含有3个SB模块；在MS2中，第1和第6为ASB-L，其余均为ASB-S； 所述模块由特征提取部分、权重乱序模块-WSM以及乱序模块OSM组成，首先将输入的特征图输入到-WSB模块的特征提取部分进行特征提取，接着将提取的特征分别输入到-WSB后端的-WSM以及OSM中进行特征图的重新乱序操作，接着将乱序后的特征图进行融合，从而为接下来的ASB-S做准备； 所述ASB、ASB-S、ASB-L、SB均是由一系列的卷积、正则化以及激活操作构成，完成对前端-WSB已提取特征的再次特征提取； S6中所述PoM由一次组合操作卷积-正则化-激活C-B-R构成，对输入的特征进行通道上的调整； 所述-WSM模块具体执行步骤如下： 对于输入-WSM的特征图，其分支①和分支②均进行了对应的批归一化BatchNormalization的处理过程，即： 6 其中，为输入的特征图，y为输出的特征图；当进行批归一化处理后，每一个特征图通道都会对应的学习到一个超参数对,,即缩放因子和平移因子，其中表征对应特征通道的特征表达能力； 对于输入的特征图G1和G2，按通道进行拼接，得到拼接后的特征图G3，同时将输入的对应的缩放因子向量也按通道进行拼接，得到拼接后的缩放因子向量，对按照降序的方式进行排序，得到排序后的向量，接着将在中心处截断，得到向量和，对进行反序得到，最后分别逐元素逐和向量取缩放因子值，从而形成最终的缩放因子向量，实现互拼接；按照缩放因子向量对特征图G3重新进行通道调整，得到乱序后的特征图G41；将“重要”的特征图进行了二次保留，即对高重要性因子及对应的特征图进行了二次保留；具体地，对进行了自拼接，得到拼接后的缩放因子向量，按照缩放因子向量对特征图G3再次进行通道调整，得到乱序后的特征图G42；将按照两种不同的缩放因子向量通道调整后的特征体G41、G42进行融合，得到融合后的特征体G5；此处采用逐元素相加的方式进行特征融合；对中每个位置处的特征进行N次映射，即将G5与映射权重求取Hadamard积，并经特征重排后，得到映射后的特征体，对G6中每一个2-D特征图按行求取最优映射特征，得到最优映射特征矩阵，最终对G7再次进行特征重排得到-WSM模块最终的输出特征体。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。

以上内容由龙图腾AI智能生成。