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！

龙图腾网获悉中国石油大学(华东)申请的专利一种基于轻量级稀疏神经网络的图像数据处理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：CN121190950B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511724894.3，技术领域涉及：G06V10/82；该发明授权一种基于轻量级稀疏神经网络的图像数据处理方法及系统是由梁锡军;霍佳宝;渐令;于琪;宋允全;邵明文;王玙璠;朱雪瑜设计研发完成，并于2025-11-24向国家知识产权局提交的专利申请。

本一种基于轻量级稀疏神经网络的图像数据处理方法及系统在说明书摘要公布了：本发明提供一种基于轻量级稀疏神经网络的图像数据处理方法及系统，涉及机器学习技术领域，包括：获取待处理的图像数据；对图像数据依次进行随机翻转、随机裁剪的数据增强及张量标准化预处理，得到符合模型输入要求的规范张量数据；将规范张量数据输入至轻量级稀疏神经网络模型；该模型通过多个稀疏卷积层从图像中逐级提取局部边缘与纹理特征以及全局语义特征；经全连接层将提取的物理特征映射为类别置信度，最终通过Softmax函数输出分类结果。本发明通过梯度指导的差分变异策略和GPU并行优化，在资源受限的移动终端、嵌入式设备和边缘计算设备上实现了高效的图像处理，降低了计算开销和内存占用，同时保持了高精度的分类性能。

本发明授权一种基于轻量级稀疏神经网络的图像数据处理方法及系统在权利要求书中公布了：1.一种基于轻量级稀疏神经网络的图像数据处理方法，其特征在于，应用于移动终端、嵌入式设备或边缘计算设备，包括： 获取待处理的图像数据； 对所述图像数据依次进行随机翻转、随机裁剪的数据增强及张量标准化预处理，得到符合模型输入要求的规范张量数据； 将所述规范张量数据输入至轻量级稀疏神经网络模型；该模型通过多个稀疏卷积层从图像中逐级提取物理特征，包括由底层卷积层提取的局部边缘与纹理特征，以及由高级卷积层整合形成的全局语义特征；所述局部边缘与纹理特征用于表征图像中的基础结构信息，所述全局语义特征用于表征图像的类别属性； 经全连接层将提取的物理特征映射为类别置信度，最终通过Softmax函数输出分类结果； 所述轻量级稀疏神经网络模型通过以下训练过程得到： 在GPU全局内存中随机初始化一个共享权重的密集神经网络和多个连续掩码；通过启动CUDA内核，调度GPU的流多处理器及CUDA核心，对共享权重与每个掩码张量执行逐元素乘法，生成多个稀疏子网络以构成初始种群；将离散二进制掩码进行连续松弛处理为可学习参数，并将其引入目标函数中，与所述网络权重进行联合优化，其中所述目标函数包含损失项和基于所述连续松弛掩码的稀疏性正则项，并在GPU上利用自动微分技术计算联合梯度； 采用梯度指导的差分变异策略对所述网络权重和所述连续松弛掩码进行优化；所述策略首先根据个体适应度分配不同的差分变异方向，之后引入梯度信息对变异后的个体进行再训练以加速收敛； 将优化后得到的连续掩码离散化为布尔类型的张量，作为最终的稀疏连接掩码存储于GPU的全局内存中，随后将网络权重回退至历史迭代状态，并利用GPU的并行计算能力，使用梯度下降算法对剩余的非零权重进行微调，最终生成可在实际硬件上高效运行的轻量级稀疏神经网络模型； 所述梯度指导的差分变异策略包括以下子步骤： 计算当前种群中每个个体的归一化适应值； 选出当前种群中的适应值最优个体； 根据所述归一化适应值与预设阈值的关系，为个体分配不同的差分变异策略； 对差分变异后生成的中间个体，利用其梯度信息执行一次或多次梯度下降更新； 所述分配不同的差分变异策略具体为，若个体的归一化适应值低于预设阈值，则采用随机差分变异策略： 其中，为变异因子，为当前变异操作之后产生的新个体，为种群中随机选取的两个个体，并且； 若个体的归一化适应值高于或等于所述预设阈值，则采用朝向最优个体的引导性探索策略： 其中，为种群中适应值最高的点； 所述稀疏子网络的训练过程包括： 输入数据集，种群大小，掩码初始，温度系数，惩罚系数，总训练轮数，每轮迭代次数，回退代数； 生成初始种群，其中，； 对于到轮，执行： 对于到次迭代，执行： 从中采样小批量训练样本； 对每个个体执行梯度引导的差分变异策略； 更新参数，，更新温度参数； 执行软回退更新掩码：重置为，重置为1； 确定掩码结构，回退权重； 使用梯度下降算法对稀疏子网络进行微调； 返回最终模型：。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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。