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！

龙图腾网恭喜中国人民解放军海军航空大学申请的专利基于局部特征和全局特征的舰船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：CN117523294B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202311539359.1，技术领域涉及：G06V10/764；该发明授权基于局部特征和全局特征的舰船图像分类方法是由徐从安;吴俊峰;孙炜玮;郝延彪;高龙;杨柱天;孙显;刘凯设计研发完成，并于2023-11-17向国家知识产权局提交的专利申请。

本基于局部特征和全局特征的舰船图像分类方法在说明书摘要公布了：本发明公开了一种基于局部特征和全局特征的舰船图像分类方法。本方法基于分类网络模型，所述分类网络模型的输入为船舰图像，该模型包括：注意力分数模块，密集连接网络，局部特征表征提取分支，卷积体积变换器，以及全局特征表征提取分支。本发明首先获取注意力分数，然后分别利用密集卷积网络和卷积视觉转换器获得原始图像的局部特征和全局特征，再利用注意力分数作进一步的特征增强，对增强后的两种特征分别利用不同尺寸卷积核以及池化注意力获得舰船图像的最终表征，最后利用交叉熵损失对构建的网络模型进行反向传播优化，最终有效提高舰船图像分类准确率。

本发明授权基于局部特征和全局特征的舰船图像分类方法在权利要求书中公布了：1.一种基于局部特征和全局特征的舰船图像分类方法，其特征在于：包括以下步骤：步骤1、构建分类网络模型，所述分类网络模型的输入为船舰图像；分类网络模型包括：注意力分数模块，用于基于分类网络模型的输入图像得到注意力分数；密集连接网络，用于获得分类网络模型的输入图像的局部特征；局部特征表征提取分支，用于基于局部特征和注意力分数得到增强后的局部特征，然后基于增强后的局部特征提取得到局部特征的最终表征，并基于局部特征的最终表征得到第一分类结果；卷积体积变换器，用于获得分类网络模型的输入图像的全局特征；全局特征表征提取分支，用于基于全局特征和注意力分数得到增强后的全局特征，然后基于增强后的全局特征提取得到全局特征的最终表征，并基于全局特征的最终表征得到第二分类结果；分类网络模型的输出为基于第一分类结果和第二分类结果得到的最终分类结果；所述密集连接网络中，通过以下方式得到输入图像的局部特征：步骤B1、将输入图像输入到3个依次连接的密集模块；每个密集模块中分别包含四层卷积层，每个卷积层的输入包含同一密集模块中该卷积层前面所有卷积层的输出；对于任一密集模块，设其输入为FD0，则该密集模块中每一层卷积层的计算过程如下：FD1＝ReLuConvFD0；FD2＝ReLuConvConcatFD0,FD1；FD3＝ReLuConvConcatFD0,FD1,FD2；FD4＝ReLUConvConcatFD0,FD1,FD2,FD3；其中，Conv·代表卷积操作，ReLu·代表斜坡激活函数，Concat·代表拼接操作；FD1,FD2,FD3,FD4分别代表密集模块中第1、2、3、4层卷积层的输出；步骤B2、将第3个密集模块的输出FD′通过Sigmoid激活函数进行处理，得到输入图像的局部特征SigmoidFD′，其中Sigmoid·代表S型激活函数；局部特征表征提取分支中得到局部特征的最终表征的方式为：步骤C1、将输入图像的局部特征SigmoidFDρ与所得的注意力分数S进行矩阵相乘获得增强后的局部特征FD″：FD″＝S×SigmoidFD′；步骤C2、通过卷积计算和Sigmoid激活函数得到局部特征的最终表征FD：FD1″＝Conv1×1FD″；FD2″＝Conv3×1Conv1×3Conv3×3FD″；FD3″＝Conv5×1Conv1×5Conv5×3Fd″；FD4″＝Conv7×1Conv1×7Conv7×7FD″；FD＝SigmoidFD1″+FD2″+FD3″+FD4″；其中，Convi×j·代表卷积核为i×j的卷积操作；步骤2、对所述分类网络模型进行训练；步骤3、将待分类的船舰图像输入到分类网络模型中，得到图像分类结果。

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人民解放军海军航空大学，其通讯地址为：264000 山东省烟台市芝罘区二马路188；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”。