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多相似度融合与大模型决策的多模态对齐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：CN120541242B 。

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：202510578472.3，技术领域涉及：G06F16/432；该发明授权基于多相似度融合与大模型决策的多模态对齐方法及系统是由吴信东;陈子毫;卜晨阳;洪云鹏设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于多相似度融合与大模型决策的多模态对齐方法及系统在说明书摘要公布了：本申请提供了一种基于多相似度融合与大模型决策的多模态对齐方法及系统，涉及多模态对齐领域，方法包括：获取待匹配的图文对以及知识库中的图文对；对图文对进行特征编码，得到浅层特征和深层特征；构建多层次特征匹配模型并进行训练；将浅层特征和深层特征输入训练后的多层次特征匹配模型，得到语义相似度矩阵和结构相似度矩阵；通过设计的相似度融合与噪声平衡机制，计算语义相似度矩阵和结构相似度矩阵的相似度总分；将相似度总分大于预设值的图文对输入大模型中，从知识库中的图文对中确定与待匹配的图文对最相似的图文对。本申请的多模态匹配方法有较高的匹配精度。

本发明授权基于多相似度融合与大模型决策的多模态对齐方法及系统在权利要求书中公布了：1.一种基于多相似度融合与大模型决策的多模态对齐方法，其特征在于，方法包括以下步骤： S1：获取待匹配的图文对以及知识库中的图文对； S2：对图文对进行特征编码，得到浅层特征和深层特征； S3：构建多层次特征匹配模型并进行训练；将浅层特征和深层特征输入训练后的多层次特征匹配模型，得到语义相似度矩阵和结构相似度矩阵； 步骤S3包括： S31：通过浅层特征和深层特征，构待匹配图文对的特征表示和知识库中图文对的特征表示；分别表示待匹配的图片和数据库中的图片的浅层特征；分别表示待匹配的文本和数据库中的文本的浅层特征；待匹配的图像的深层特征为，数据库中的图片的深层特征为；待匹配的文本的深层特征为；数据库中的文本的深层特征为； S32：通过多层次特征匹配模型，对特征和特征进行相似度计算，得到6个相似度矩阵； 步骤S32包括： 多层次特征匹配模型包括：Block1单元、Block2单元、Block3单元、Block4单元、Block5单元以及Block6单元； Block1单元用于通过注意力机制，计算特征和特征之间的相似度，得到相似度矩阵； Block2单元用于通过注意力机制，计算特征和特征之间的相似度，得到语义相似度矩阵； Block3单元用于通过注意力机制，计算特征和特征之间的相似度，得到语义相似度矩阵； Block4单元用于通过注意力机制，计算特征和特征之间的相似度，得到结构相似度矩阵； Block5单元用于通过注意力机制，计算特征和特征之间的相似度，得到结构相似度矩阵； Block6单元用于通过注意力机制，计算特征和特征之间的相似度，得到结构相似度矩阵； S4：通过设计的相似度融合与噪声平衡机制，计算语义相似度矩阵和结构相似度矩阵的相似度总分； 步骤S4包括： 将矩阵和矩阵相加得到； 将矩阵和矩阵相加得到； 将矩阵和矩阵相加得到； 矩阵、与分别表示待匹配的图文对与数据库中的图文对的图片相似性、文本相似性与图片-文本跨模态相似性； 将图片相似性、文本相似性与图片-文本跨模态相似性进行加权融合，得到相似度总分，表示如下： 其中、以及表示加权系数；表示相似度总分； S5：将相似度总分大于预设值的图文对输入大模型中，从知识库中的图文对中确定与待匹配的图文对最相似的图文对。

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：230000 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。