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！

龙图腾网获悉合肥工业大学申请的专利基于分层卷积神经网络的商品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：CN116152570B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310218038.5，技术领域涉及：G06V10/764；该发明授权基于分层卷积神经网络的商品图像分类方法是由姜元春;陈莉;袁昆;钱洋;刘业政设计研发完成，并于2023-03-08向国家知识产权局提交的专利申请。

本基于分层卷积神经网络的商品图像分类方法在说明书摘要公布了：本发明公开了一种基于分层卷积神经网络的商品图像分类方法，包括：步骤1、获取仅包含单一商品的原始商品图像集并进行预处理；步骤2、构建分层卷积神经网络模型，包括特征提取模块、层级融合分类模块；步骤3、对商品图像数据集使用有监督对比学习优化所述特征提取模块；步骤4、利用分类损失和有监督对比损失训练所述分层卷积神经网络模型，进行商品图像标签分类。本发明能有效解决数据特征和标签关系利用不充分的问题，从而能在提高商品图像分类准确率的同时提升商品图像分类模型的鲁棒性。

本发明授权基于分层卷积神经网络的商品图像分类方法在权利要求书中公布了：1.一种基于分层卷积神经网络的商品图像分类方法，其特征在于，是按如下步骤进行： 步骤1.获取仅包含单一商品的原始商品图像集并进行预处理，得到商品图像集X＝{X1,X2,…,Xi,…,Xn}，Xi∈RC×H×W表示第i个商品图像，C、H和W分别表示图像的通道数、高度和宽度，1≤i≤n，n为商品图像的总数； 定义粗细粒度标签集Y＝{Yj|j＝1,2,…,J}，其中，Yj表示第j类标签集，J表示标签的种类；且yj,z表示第j类标签集Yj中第z个标签，Zj表示第j类标签集Yj中的标签数量； 将第i个商品图像Xi在第j类标签集Yj中第z个标签记为则第i个商品图像Xi对应标签集合记为表示第i个商品图像Xi未对应第j类标签集Yj中第z个标签，表示第i个商品图像Xi对应第j类标签集Yj中第z个标签； 步骤2.构建分层卷积神经网络模型，包括：特征提取模块、层级融合分类模块； 步骤2.1所述特征提取模块依次由1个卷积层、1个最大池化层、若干个block块组成；其中，每个block块均包含个c二维卷积层、c个批归一化层，c个RELU激活层，且每个二维卷积层后依次连接1个批归一化层、1个RELU激活层； 将所述商品图像集X＝{X,X,…,X,…,X}输入所述分层卷积神经网络模型中，并经过所述特征提取模块中的卷积层和最大池化层的处理后，得到商品图像局部特征集再经过若干个block块的处理后，得到商品图像全局特征集其中，F表示第i个商品图像X的局部特征，F表示第i个商品图像X的全局特征； 步骤2.2所述层级融合分类模块由一个平均池化层和J个全连接层组成，其中，第j个全连接层作为第j类标签集的分类器，并包含Z个神经元，且第z个神经元的输出表示第j类标签集Y中第z个标签yj,z的分类概率值； 所述商品图像局部特征集F和商品图像全局特征集F分别输入所述平均池化层中进行处理，得到图像局部池化特征集favgpoolF＝{F,…,F,…,F}和图像全局池化特征集其中F表示第i个商品图像X的局部池化特征，F表示第i个商品图像X的全局池化特征； 当j＝1时，全局池化特征F输入第j个全连接层中进行处理，得到第j类标签集Y的分类结果表示第i个商品图像Xi在第j类标签集Yj中第z个标签的分类概率值； 当j＝2,3,…,J时，将局部池化特征Fi′l、全局池化特征Fi′t和第j-1类标签集的分类概率值通过融合操作后得到元特征后，输入第j个全连接层中进行处理，得到第i个商品图像Xi在第j类标签集Yj的分类概率值从而将局部池化特征Fi′l、全局池化特征Fi′t和第J-1类标签集的分类概率值通过融合操作后输入第J个全连接层中进行处理，并输出第i个商品图像Xi在第J类标签集YJ的分类概率值 步骤2.3根据式1计算各类标签的分类损失Lcls： 步骤3.构建分层卷积神经网络模型中特征提取模块的优化策略； 步骤3.1对第i个商品图像Xi进行随机数据增强得到增强后的第i个商品图像Xi′； 步骤3.2将所述商品图像集X＝{X1,X2,…,Xi,…,Xn}和增强后的商品图像集X′＝{X′1,X′2,…,X′i,…,X′n}合并后，得到新的商品图像集和标签集{ys,1,ys,2,…,ys,e,…,ys,2n}，其中，表示第e个新商品图像，ys,e表示第e个新商品图像的标签； 根据式2计算第e个新商品图像所对应的标签ys,e与标签集{ys,1,ys,2,…,ys,e,…,ys,2n}中所有标签的相似度Se，从而得到标签相似矩阵S＝[S1,S2,…,Se,…,S2n]； 式2中，se,k表示第e个新商品图像所对应的标签ys,e与第k个新商品图像所对应的标签ys,k的相似度，⊙表示点乘操作，||||表示向量的模； 步骤3.3将所述新的商品图像集Xs输入特征提取模块中进行处理，并输出新的商品图像局部特征和新的商品图像全局特征将所述新的商品图像全局特征Fs,t输入所述层级融合分类模块中的平均池化层进行后，得到新的图像全局池化特征其中，表示第e个新商品图像的局部特征，表示第e个新商品图像的全局特征，F′es,t表示第e个新商品图像的全局池化特征； 步骤3.4采用式3构建数据训练的有监督对比损失函数Lcon： 式3中，|代表条件符号，β表示标签相似度阈值，表示新的商品图像集Xs中与锚图像标签相似度大于等于β的图像个数，表示第r个全局池化特征与相似度大于等于阈值β的第e个全局池化特征的点积结果，表示第r个全局池化特征与2n个全局池化特征中除自身的其他全局池化特征的点积之和，t是点积温度参数； 步骤4.所述分层卷积神经网络模型的训练，包括两阶段： 第一阶段训练： 基于所述商品图像集X＝{X1,X2,…,Xi,…,Xn}，对所述分层卷积神经网络进行训练，并计算所述分类损失函数Lcls用于反向传播训练所述分层卷积神经网络模型，当训练次数epoch达到设定的阈值λ时，执行第二阶段训练； 第二阶训练： 基于所述新的商品图像集采用对比学习方法先对所述分层卷积神经网络模型中的特征提取模块进行优化，计算所述对比学习损失Lcon用于反向传播优化所述分层卷积神经网络模型中的特征提取模块，再基于所述商品图像集X＝{X1,X2,…,Xi,…,Xn}，对所述分层卷积神经网络模型进行训练，并计算所述分类损失函数Lcls用于反向传播训练所述分层卷积神经网络模型，经过多次迭代训练，得到最优分层卷积神经网络模型，用于电子商务平台的商品标签分类。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。