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！

龙图腾网获悉四川大学申请的专利基于多尺度特征集合提取与对齐的图文检索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：CN119646484B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202411713511.8，技术领域涉及：G06F18/213；该发明授权基于多尺度特征集合提取与对齐的图文检索方法是由刘艳丽;刘桐源;邢冠宇设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本基于多尺度特征集合提取与对齐的图文检索方法在说明书摘要公布了：本发明公开了一种基于多尺度特征集合提取与对齐的图文检索方法，使用预训练模型对文本和图像数据进行初步编码。使用多次基于自注意力机制的下采样操作完成多尺度特征集合提取，丰富了特征集合的粒度层次；通过基于槽注意力机制的特征选择模块筛选出来自下采样路径由低到高的多尺度特征，从而获得更显著的细粒度、多层次特征集合来表征图像以及文本数据；使用高斯分布对图文特征的余弦相似度进行建模，迭代更新高斯分布模型，为不同置信度的余弦相似度设置不同的权重，获取单个特征与另一模态特征集合之间的相似度；通过自注意力机制，获取模态内不同特征的得分，作为权重参与计算图像文本对的相似度。本发明能够解决真实场景下的图文检索问题。

本发明授权基于多尺度特征集合提取与对齐的图文检索方法在权利要求书中公布了：1.基于多尺度特征集合提取与对齐的图文检索方法，其特征在于，包括如下步骤： 步骤一、将所需进行相似度计算的图文对Image和Text通过预训练编码器编码，来生成相应的图像局部特征集合V和文本局部特征集合T； 步骤二、将图像特征集合和文本特征集合分别输入到多尺度特征集合提取模块SetPre[·]中生成对应的多尺度特征集合Vmul和Tmul； 步骤三、将多尺度特征集合Vmul和Tmul迭代输入至特征选择模块FeatureSelect[·]，筛选出具有代表性的多尺度特征集合Vfinal和Tfinal； 步骤四、将多尺度特征集合输入集合对齐模块，计算出单个文本特征到图像特征集合的相似度SimVfinal,tj； 步骤五、利用自注意力机制计算出不同目标数据特征的自注意力权重Weightti，将其作为权重与SimVfinal,ti加权求和得出图像文本对的相似度； 步骤六、采用硬三元组损失训练多尺度特征集合提取模块，集合对齐模块，权重预测模块，并使用Adam优化器更新网络权重梯度； 步骤四具体过程如下： a、将筛选后的图像特征表示为经过筛选后的文本特征表示为计算出单个图像特征和单个文本特征之间的余弦相似度矩阵S，用公式表示如下： 其中i,j∈{1,…,Num}； b、计算单个文本特征到图像特征集合的相似度SimVfinal,ti，计算过程为： 1、对文本特征与图像特征之间的相似度建立高斯分布模型，用公式表示如下： 其中x为余弦相似度矩阵S的值，μ为x的均值，σ为x的标准差； 2、计算出每个batch中余弦相似度矩阵S的均值μ′和方差σ′： 3、更新全局均值μ和方差σ，用公式表示如下： μ＝1-λμ+λμ′ σ＝1-λσ+λσ′ 其中λ为超参数，用于指定均值和方差的更新速率； 4、利用方差和标准差得到最新的高斯分布模型，分别计算出置信度为90％，80％，70％的相似度阈值，用公式表示如下： threshold1＝μ+z0.05*σ threshold2＝μ+z0.1*σ threshold3＝μ+z0.15*σ 其中zp是使得正态分布累积分布函数CDF达到p的值； 5、根据余弦相似度与置信度之间的关系，设置权重矩阵，用公式表示如下： 其中β1，β2，β3是超参数，用于确定不同重要程度特征向量的权重； 6、利用权重矩阵加权求和、归一化后得到单个文本特征与图像特征集合之间的相似度，用公式表示如下： 其中SimVfinal,tj即为最终跨模态特征到集合的相似度。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。