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！

龙图腾网获悉西南交通大学申请的专利一种基于自注意力和低秩分解图像目标识别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：CN116645588B 。

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：202310645084.3，技术领域涉及：G06V10/82；该发明授权一种基于自注意力和低秩分解图像目标识别方法是由彭博;兰勇设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本一种基于自注意力和低秩分解图像目标识别方法在说明书摘要公布了：本发明公开了一种基于自注意力和低秩分解图像目标识别方法，包括：根据现有的公开数据集，利用IPI算法，生成初步的伪标签集；将伪标签集、真实标签集和现有的公开数据集合并为训练集；利用训练集对神经网络进行训练，并对训练后的神经网络进行损失计算，得到收敛后的神经网络；利用收敛后的神经网络遍历训练集，并对训练集的目标识别结果进行逆IPI算法处理，得到处理结果；利用处理结果和训练集划分可行域；根据待图像目标识别图像，利用收敛后的神经网络，得到待图像目标识别数据的目标识别结果；对待图像目标识别图像的目标识别结果进行可行域判别，若在可行域内，则输出待图像目标识别图像的目标识别结果。

本发明授权一种基于自注意力和低秩分解图像目标识别方法在权利要求书中公布了：1.一种基于自注意力和低秩分解图像目标识别方法，其特征在于，所述基于自注意力和低秩分解图像目标识别方法包括： S1：获取现有的公开数据集； S2：根据所述现有的公开数据集，利用IPI算法，生成初步的伪标签集； S3：将所述伪标签集、真实标签集和所述现有的公开数据集合并为训练集；其中，所述现有公开数据集的中的每个数据都有真实标签； S4：利用训练集对神经网络进行训练，得到训练后的神经网络； S5：对所述训练后的神经网络进行损失计算，得到收敛后的神经网络； S6：利用所述收敛后的神经网络遍历所述训练集，得到训练集的目标识别结果； S7：对所述训练集的目标识别结果进行逆IPI算法处理，得到处理结果； S8：利用所述处理结果和所述训练集划分可行域； S9：根据待图像目标识别图像，利用所述收敛后的神经网络，得到待图像目标识别数据的目标识别结果； S10：对所述待图像目标识别图像的目标识别结果进行可行域判别，若所述待图像目标识别图像的目标识别结果在所述可行域内，则输出所述待图像目标识别图像的目标识别结果； 所述神经网络包括依次设置的第一卷积层、第一池化层、第一残差块、第二池化层、第二残差块、第三池化层、第三残差块、第四池化层、第四残差块、第五池化层、第五残差块、语义级自注意力模块、第一融合块、第二融合块、第三融合块、第六残差块、可解释自注意力模块、第四融合块和第五融合块； 所述第三残差块的输出、所述第四残差块的输出和所述第五残差块的输出同时作为所述语义级自注意力模块的输入，所述语义级自注意力模块的输出同时作为所述第一融合块、第二融合块和第三融合块的输入，所述第一卷积层的输出同时作为所述第一池化层的输入和所述第五融合块的输入，所述第一残差块的输出同时作为第二池化层的输入和所述第四融合块的输入，所述第二残差块的输出同时作为所述第三池化层的输入和所述可解释自注意力模块的输入； 所述可解释自注意力模块包括依次设置的第二卷积层、第七残差块、第三卷积层、第一二维向量处理子模块、无梯度迭代子模块、系数推理子模块和第二二维向量处理子模块， 所述第一二维向量处理子模块用于将所述第三卷积层的输出进行长宽维度拉平，得到输入矩阵；对所述输入矩阵进行转置并将转置后的输入矩阵和基矩阵进行矩阵乘法处理后归一化得到系数矩阵；并将所述输入矩阵、基矩阵和所述系数矩阵传输至所述无梯度迭代子模块； 所述无梯度迭代子模块包括依次设置的第一系数推理块和基推理块且用于更新所述基矩阵和所述系数矩阵，得到更新后的基矩阵和更新后的系数矩阵； 所述系数推理子模块包括第二系数推理块，所述第二系数推理块用于优化更新所述更新后的基矩阵的梯度，得到最终基矩阵； 所述第二二维向量处理子模块用于对所述更新后的系数矩阵进行转置并将转置后的系数矩阵与最终基矩阵进行矩阵乘法处理后得到低轶矩阵；利用所述输入矩阵减去所述低轶矩阵，得到的最终矩阵作为所述可解释自注意力模块的输出。

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南交通大学，其通讯地址为：610031 四川省成都市二环路北一段；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。