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！

龙图腾网获悉江南大学申请的专利一种神经网络二值量化方法及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：CN116229183B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202310295591.9，技术领域涉及：G06V10/764；该发明授权一种神经网络二值量化方法及图像分类方法是由陈莹;刘畅设计研发完成，并于2023-03-24向国家知识产权局提交的专利申请。

本一种神经网络二值量化方法及图像分类方法在说明书摘要公布了：本发明公开了一种神经网络二值量化方法及图像分类方法，属于数字图像处理技术领域。本发明的二值化神经网络通过细节特征惩罚项加强浅层特征对于细节信息的保留能力，并辅以语义信息正则模块，在避免过拟合的同时加强深层特征的高级语义信息的有效性，最终达到增强输入特征图的信息保留的作用，进一步提升量化后网络性能。仿真结果证明，本发明比现有的基于二值化神经网络的图像分类方法具备更高的准确率，同时可以维持较快的推理速度和较少的内存占用；此外，本发明的二值化神经网络可清晰地观测到图片对象的主体轮廓，保留了足够的鉴别语义信息，因此在图像分类任务中能更好的识别目标主体，从而进一步确保了图像分类的准确率。

本发明授权一种神经网络二值量化方法及图像分类方法在权利要求书中公布了：1.一种神经网络的二值量化方法，所述神经网络应用于图像分类，其特征在于，所述二值量化方法包括： 步骤1：对训练数据集中的图像数据进行预处理； 步骤2：设置所述神经网络的初始参数和训练参数，通过误差衰减估计器解决网络反向传播时符号函数不可导的问题； 步骤3：所述神经网络对所述训练数据集中的每个样本图像进行特征提取； 步骤4：通过第i个样本图像x∈R3×H×W和样本的最浅层特征计算细节特征惩罚损失； 步骤5：通过所述神经网络的第一、二、三层的输出与样本的真实标签y通过语义信息正则模块计算损失； 步骤6：基于所述步骤4得到的细节特征惩罚损失和所述步骤5得到的语义信息正则损失计算总损失，并按照所述总损失完成对所述神经网络的训练； 所述步骤4中计算细节特征惩罚损失的过程包括： 步骤41：对所述第i个样本图像x进行灰度化处理，得到单通道的灰度图G，其宽和高与x一致； 步骤42：通过resize操作将尺寸为1×H×W的灰度图G调整为尺寸为1×H×W的G'，并对G'进行L2标准化处理； 步骤43：降低所述样本的最浅层特征F的通道维度，得到尺寸为1×H×W的F'，同样进行标准化处理； 步骤44：计算所述步骤42和步骤43得到的标准化特征的L2距离作为所述细节特征惩罚损失Ldfp，表达式为： Ldfp＝||normalG'-normalF0'|| 其中，normal表示标准化操作，实际具体计算方式为：新数据＝原数据-最小值最大值-最小值； 所述步骤5包括： 步骤51：所述语义信息正则模块的输入为m个中间层的特征图，所述语义信息正则模块针对每一层特征图进行计算，针对第j层特征图Fj，使用第j+1层至第m层的特征图的语义信息对当前训练的第j层进行监督； 步骤52：通过每一层的辅助分类分支对其所对应的特征图计算全连接输出，所述辅助分类分支包括依次连接的：卷积层、全局平均池化层和全连接层，第j层的特征图Fj通过所述辅助分类分支的计算得到zj； 步骤53：通过LabelSmooth法计算所述样本的真实标签yi提供的软分类损失，将所述样本的真实标签yi转换为软标签概率分布，其表达式为： 其中，K表示类别数，ε表示任意极小值，k表示概率分布的索引位置； 步骤54：计算获得所述软分类损失，表示为： 其中，pj为zj的概率分布，pj,k为其中的第k个概率值，其表达式为： 第j层的语义信息迁移损失表示为： 其中，KL·为Kullback-Leibler散度函数，σ·为softmax函数，τ为平滑系数； 步骤55：得出所述语义信息正则损失，表示为： 其中，超参数β用于平衡所述软分类损失和所述语义信息迁移损失对于语义信息正则损失的贡献。

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江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800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。