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！

龙图腾网获悉安徽大学申请的专利一种基于特征修正的细粒度图像分类方法及系统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：CN116310559B 。

龙图腾网通过国家知识产权局官网在2026-01-20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：202310277109.9，技术领域涉及：G06V10/764；该发明授权一种基于特征修正的细粒度图像分类方法及系统是由赵鹏;李毅;韩莉;时家坤设计研发完成，并于2023-03-21向国家知识产权局提交的专利申请。

本一种基于特征修正的细粒度图像分类方法及系统在说明书摘要公布了：本发明涉及一种基于特征修正的细粒度图像分类方法及系统。图像分类方法包括如下步骤：S1：对训练集中的每个图像进行预处理得到预处理图像；S2：构建基于特征修正的网络模型，提取预处理图像中的特征FLL和特征FL‑1L‑1；S3：移除类间的公共特征以增大类间方差，得到第一分类损失；S4：采用中心损失缩小类内方差，得到第二分类损失；S5：通过加权求和得到整体损失，利用反向传播的方法对网络模型进行训练；S6：采用训练后的网络模型预测每个待处理图像的类别。本发明通过提取待处理图像的公共原型、移除公共相似特征的方式来增大类间方差，利用中心损失缩小类内方差，以指导网络得到更好的分类结果，提高细粒度图像分类的精确度。

本发明授权一种基于特征修正的细粒度图像分类方法及系统在权利要求书中公布了：1.一种基于特征修正的细粒度图像分类方法，其用于在细粒度图像分类中，通过增大类间方差、缩小类内方差，实现对待处理图像的精准分类；其特征在于，所述细粒度图像分类包括如下步骤： S1：对训练集中的每个图像进行预处理得到相应的预处理图像； S2：构建基于特征修正的网络模型，通过所述网络模型的骨干网络提取出所述预处理图像的第L阶段的特征FL和第L-1阶段的特征FL-1； S3：通过移除类间的公共相似特征增大类间方差，得到第一分类损失；增大类间方差的方法具体如下： S31：将特征FL-1输入通道注意力模型生成通道注意力图； S32：将所述通道注意力图输入空间注意力模型生成空间注意力图； S33：提取出全部的所述预处理图像中所有类的公共原型；在所述公共原型中学习类间的公共相似特征Fcomm； S34：从所述空间注意力图中移除公共相似特征得到类间修正特征F； S35：将所述类间修正特征F输入一个卷积块得到鉴别特征F5； S36：将所述鉴别特征F5输入第一分类器中得到所述第一分类损失Lcls1；所述第一分类损失Lcls1表达为： Lcls1＝-∑y·log[C1GMPF5] 式中，C1.表示用于分类的第一分类器，GMP.表示全局最大池化，y代表图像的真值标签； S4：采用中心损失缩小类内方差，得到第二分类损失；缩小类内方差的方法具体如下： S41：将特征FL输入一个注意力卷积块中得到一个注意力特征Fattention； S42：将所述注意力特征Fattention＝{f1,f2,f3,…,fM}与所述特征FL进行双线性融合得到双线性特征B；所述双线性特征B表达为： 式中，g.表示全局最大池化或者全局平均池化，.表示concate操作，是双线性特征，M是注意力特征的通道数，CL是第L阶段的通道数； S43：采用中心损失最小化所述双线性特征B和类中心特征的差异，进而将所述双线性特征输入第二分类器中得到所述第二分类损失Lcls2；其中，所述中心损失Lcenter表达为： 式中，N表示标签类别的总数，k＝{1,2,3，……，N}，表示L2范数，表示第k个类的类中心特征向量，Bk是第k个类的双线性特征； 所述第二分类损失Lcls2表达为： Lcls2＝-Σy·log[C2GMPFL] 式中，C2.表示用于分类的第二分类器； S5：对第一分类损失、第二分类损失和中心损失进行加权求和得到整体损失Ltotal，利用反向传播的方法对所述网络模型进行训练；其中，所述整体损失Ltotal表达为： Ltotal＝αLcls1+βLcls2+Lcenter 式中，α、β均为人工设置的超参数； S6：将细粒度数据集中的待分类图像输入训练后的网络模型，得到每个所述待处理图像对应的预测类别，进而根据所述预测类别对所述细粒度数据集进行分类；所述待分类图像的类别y*表示为： 式中，argmax.为求参数最大值的函数。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。