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！

龙图腾网获悉上海大学申请的专利基于特征图的相关性和熵实现模型压缩的方法、装置、处理器及其计算机可读存储介质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：CN116843004B 。

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：202310823678.9，技术领域涉及：G06N3/0495；该发明授权基于特征图的相关性和熵实现模型压缩的方法、装置、处理器及其计算机可读存储介质是由刘亚军;周文举;范科峰;仵大奎;杜鑫设计研发完成，并于2023-07-06向国家知识产权局提交的专利申请。

本基于特征图的相关性和熵实现模型压缩的方法、装置、处理器及其计算机可读存储介质在说明书摘要公布了：本发明涉及一种基于特征图的相关性和熵实现模型压缩的方法，包括以下步骤：获取图像分类数据集，并进行预处理；获取网上已公开的卷积神经网络预训练模型；使用钩子函数HOOK获取卷积神经网络架构中卷积层中的输出特征图，并保存；计算特征图的相关性；计算特征图二维熵；加权融合剪枝；恢复性能。本发明还涉及一种基于特征图的相关性和熵实现模型压缩的装置、处理器及其计算机可读存储介质。采用了本发明的基于特征图的相关性和熵实现模型压缩的方法、装置、处理器及其计算机可读存储介质，有效减少卷积神经网络的时间成本和计算资源，应用于轻量级边缘设备。特征图中的信息丰富程度反映滤波器的重要程度，信息论中的熵很好地表现特征图中的信息量。

本发明授权基于特征图的相关性和熵实现模型压缩的方法、装置、处理器及其计算机可读存储介质在权利要求书中公布了：1.一种基于特征图的相关性和熵实现模型压缩的方法，其特征在于，所述的方法包括以下步骤： 1获取图像分类数据集，并进行预处理； 2获取网上已公开的卷积神经网络预训练模型； 3使用钩子函数HOOK获取卷积神经网络架构中卷积层中的输出特征图，并保存； 4计算特征图的相关性； 5计算特征图二维熵； 6加权融合剪枝； 7恢复性能； 所述的步骤4具体包括以下步骤： 4.1通过Gram矩阵计算同一卷积层内任意两个特征图之间的特征相关性； 4.2计算某个特征图与其他特征图的累积内积； 所述的步骤4.1中计算同一卷积层内任意两个特征图之间的特征相关性，具体为： 根据以下公式计算同一卷积层内任意两个特征图之间的特征相关性： 其中，表示第i个特征图和第j个特征图的内积，和分别表示第l层中位置k处的第i个和第j个特征图的激活值，Nl表示第l层中输出特征图的数量； 所述的步骤4.2中计算某个特征图与其他特征图的累积内积，具体为： 根据以下公式计算某个特征图与其他特征图的累积内积： 其中，表示第i个特征图与同层其他特征图的累积内积，Nl表示第l层中输出特征图的数量，为第i个特征图和第n个特征图的内积。

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上海大学，其通讯地址为：200444 上海市宝山区上大路99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。