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！

龙图腾网获悉西北工业大学申请的专利基于深度学习的金钱豹个体识别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：CN115880540B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202211333232.X，技术领域涉及：G06V10/774；该发明授权基于深度学习的金钱豹个体识别方法是由郗润平;杨雪;韩天祎设计研发完成，并于2022-10-28向国家知识产权局提交的专利申请。

本基于深度学习的金钱豹个体识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的金钱豹个体识别方法，涉及图像处理方法技术领域。所述方法包括如下步骤：利用野外布置的相机采集金钱豹影像数据，对数据进行预处理后将数据分为训练集，测试集和查询集；对训练集进行数据增强，包括水平翻转以及随机擦除；使用pytorch搭建卷积神经网络，将训练集输入到卷积神经网络中，使用交叉熵损失函数与三元组损失函数进行迭代训练，迭代多次后得到权重文件；将查询集图像输入训练好的卷积神经网络，卷积神经网络将对金钱豹的个体进行预测。所述方法优化了残差网络中的信息流动，减少了信息的损失，同时使用分层次的卷积提高网络模型的表达能力。

本发明授权基于深度学习的金钱豹个体识别方法在权利要求书中公布了：1.一种基于深度学习的金钱豹个体识别方法，其特征在于包括如下步骤： S1：利用野外布置的相机采集金钱豹影像数据，对数据进行预处理后将数据分为训练集，测试集和查询集； S2：对训练集进行数据增强，包括水平翻转以及随机擦除； S3：使用pytorch搭建卷积神经网络，将训练集输入到卷积神经网络中，使用交叉熵损失函数与三元组损失函数进行迭代训练，迭代多次后得到权重文件； S4：将查询集图像输入训练好的卷积神经网络，卷积神经网络将对金钱豹的个体进行预测； 所述步骤S3中卷积神经网络结构具体为，网路的主干部分采用ResNet50网络结构，每个阶段之后都加入RGA，即Relation-AwareGlobalAttention-关系感知全局注意力模块，在第五个阶段之后，网络分为两个分支，第一个分支采用全局平均池化获得2048维特征向量，该特征向量经过卷积层，批量归一化层和ReLU激活函数层进一步减小到512；在第二个分支中，将同一批次中提取到的特征图相同的矩形部分清零，使用全局最大池化得到2048维特征向量，使用卷积层，批量归一化层和ReLU激活函数层进一步减小到1024；两个分支的特征向量均使用三元组损失和交叉熵损失来训练网络； 空间域RGA模块的计算过程为： 将特征矩阵每个空间位置的向量当做特征向量，每个特征向量都有C个维度，一共有个特征向量，将特征向量称之为，第i个特征向量与第j个特征向量的相关性可以表示为： （1） 其中，和代表两个嵌入函数，包括卷积层、ReLU激活函数层和批量归一化层； （2） （3） 类似地，可以得到与的相关性，使用来代表特征向量与间的双向关系，定义一个亲和度矩阵来表示所有特征向量之间的成对关系；对于第i个特征向量，将其和其他所有特征向量的成对关系按照一定的顺序堆叠起来来得到一个关联感知特征向量；为了学习到第i个特征向量的注意力，除了关联感知特征向量以外，还需要利用特征向量本身来挖掘与该特征相关的全局范围结构信息和局部原始信息，将与分别嵌入并拼接到一起得到空间关联感知特征： （4） 式中和代表嵌入函数，包括卷积层、ReLU激活函数层和批量归一化层，代表全局平均池化来使通道维度降为1； 在全局范围的关系中包含丰富的结构信息，为了使用一个可学习的模型来挖掘其中有价值的信息，通过如下函数获得特征向量的空间注意力值： （5） 其中与包括卷积层和批量归一化层； 通道域RGA与空间域RGA计算方法类似，计算得到第i个特征向量与第j个特征向量的相关性，进而计算出特征向量与间的双向关系，将所有特征向量的成对关系计算出来组成亲和度矩阵，对于第i个特征向量，将其和其他所有特征向量的成对关系按照一定的顺序堆叠起来得到一个关联感知特征向量来表示全局的结构信息； 通道域RGA将输入的特征矩阵嵌入为的特征，将其与关联感知特征向量拼接到一起组成关联感知特征，用于计算特征向量的通道域注意力。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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”。