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！

龙图腾网获悉大连大学;大连理工大学申请的专利基于部件注意力校正与细节增强的低分辨率细粒度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：CN119600338B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202411639987.1，技术领域涉及：G06V10/764；该发明授权基于部件注意力校正与细节增强的低分辨率细粒度图像分类方法是由闫甜甜;周东生;房杰祥;郭迪设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于部件注意力校正与细节增强的低分辨率细粒度图像分类方法在说明书摘要公布了：一种基于部件注意力校正与细节增强的低分辨率细粒度图像分类方法，属于低分辨率细粒度图像识别领域。该方法首先从低分辨率图像中挖掘多样化且具有判别性的局部表示；利用可学习的类别嵌入向量编码低分辨率图像块嵌入的全局细粒度特征表示；设计一个注意力校正损失用于调整中间编码层中各部件查询向量对各图像块嵌入的注意力激活强度。通过强制将低分辨率图像块的高级语义特征映射为对应的高分辨率图像块的底层纹理细节，将提取到的局部细粒度特征表示与全局细粒度特征表示输入到特征融合层进行信息交互与融合，将融合后的特征表示输入到分类层进行类别预测。本发明能够准确感知和关联目标部件中的局部细粒度特征、提高低分辨细粒度图像的分类精度。

本发明授权基于部件注意力校正与细节增强的低分辨率细粒度图像分类方法在权利要求书中公布了：1.一种基于部件注意力校正与细节增强的低分辨率细粒度图像分类方法，其特征在于，所述的低分辨率细粒度图像分类方法包括以下步骤： 步骤1：将低分辨率图像和高分辨率图像分别划分为非重叠的图像块序列，并将这两组图像块序列分别进行线性变换映射成高维的图像块特征； 步骤2：构建部件注意力校正模块，设置一组可学习的部件查询向量和一个可学习的类别嵌入，与步骤1生成的低分辨率图像块特征和高分辨率图像块特征一起作为部件注意力校正模块的输入，用于感知与关联低分辨率图像和高分辨率图像中目标的局部和全局细粒度特征，并输出编码后的低分辨率图像部件特征、低分辨率图像的全局细粒度特征表示、高分辨率图像部件特征、以及高分辨率图像的全局细粒度特征表示； 步骤3：利用分类损失函数对步骤2输出的低分辨率图像部件特征和高分辨率图像部件特征的判别性进行监督；利用正交损失函数的监督以使步骤2中不同部件查询向量关注在目标不同区域上；利用对比损失函数扩大步骤2中不同类别的低分辨率图像的全局细粒度特征表示的距离，并缩小相同类别的低分辨率图像的全局细粒度特征表示距离； 步骤4：根据步骤2中每个部件查询向量在图像块特征上的注意力分数 提取每个部件查询向量对应的前K个低分辨率图像块特征的索引及注意力分数，将第i个部件查询向量对应的前K个图像块特征的注意力分数记为构造注意力校正损失函数校正每个部件查询向量对低分辨率图像块特征的注意力激活分数； 步骤5：将步骤4中每个部件查询向量在前K个低分辨率图像块特征上的注意力分数进行叠加，获取所有部件查询向量在图像块特征上的关键区域注意力图；再提取步骤2部件注意力校正模块中特征提取器的所有编码层的注意力图进行融合，将融合后的注意力图与关键区域注意力图进行融合，获取动态注意力图Amod； 步骤6：引入细节增强模块，该细节增强模块输入为低分辨率图像块特征，将其映射为高分辨率图像块的纹理细节，并利用步骤5得到的动态注意力图Amod构造低分辨率图像的动态重建损失函数，用于在训练过程中约束低分辨率图像块的细粒度特征表示向高分辨率图像块的细粒度特征表示逼近； 步骤7：在部件注意力校正模块中引入一个特征融合层，并且重新设置一个可学习的类别嵌入v′cls，将其与步骤2输出的Q个低分辨率图像部件特征进行串联，并将其输入特征融合层进行信息交互与融合，输出融合后的特征表示；引入一个分类层，用于预测低分辨率图像的类别，分类器的输入是融合后的特征表示，输出是预测类别； 步骤8：将低分辨率细粒度测试图像输入到步骤1至步骤7训练好的部件注意力校正模块，输出低分辨率细粒度图像的预测类别。

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大连大学;大连理工大学，其通讯地址为：116622 辽宁省大连市开发区学府大街10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”。