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一种基于参数自进化策略的目标细粒度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：CN116956024B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202310820177.5，技术领域涉及：G06F18/214；该发明授权一种基于参数自进化策略的目标细粒度识别方法是由张艳宁;王鹏;矫炳亮;吴瑞祺;陈之雨设计研发完成，并于2023-07-05向国家知识产权局提交的专利申请。

本一种基于参数自进化策略的目标细粒度识别方法在说明书摘要公布了：本发明公开了一种基于参数自进化策略的目标细粒度识别方法，构建参数自进化模块，将输入特征送入1×1尺寸的动态卷积来提取特征，其中动态卷积的参数根据自注意力编码融合后得到的特征生成；将参数自进化模块插入ResNet‑50模型中，将其命名为参数自进化网络；最后采用训练集对参数自进化网络进行训练，完成后实现目标细粒度识别。本发明能够动态地更新主干网络模型参数，实现面对未见数据域时的参数自进化，从而实现可泛化的目标细粒度识别。

本发明授权一种基于参数自进化策略的目标细粒度识别方法在权利要求书中公布了：1.一种基于参数自进化策略的目标细粒度识别方法，其特征在于，包括如下步骤： 步骤1：构建参数自进化模块； 将输入图像特征送入1×1尺寸的动态卷积来提取特征，其中动态卷积的参数根据自注意力编码融合后得到的特征生成，具体如下： 首先将输入图像特征与来自网络其它部分的补充特征求和，得到用于参数预测的原始控制信号；之后将原始控制信号送入自注意力编码器，原始控制信号中包含的批次特征会被展开拉平，送入解码层，通过其内置的多头自注意力机制实现对批次内特征间的交互，再将特征恢复原始形状，得到处理后的交叉注意力信号；下一步将交叉注意力信号与原始控制信号求和，得到融合控制信号；之后将融合控制信号经下采样处理后送入参数预测解码器，得到自适应于当前数据域输入的动态卷积权重和偏置参数；上述操作写为： 1其中,和分别是动态转换实例归一化模块的输入图像特征和输出图像特征； 表示动态卷积，其中是卷积参数；表示自适应参数预测器根据产生包括权重和偏置量在内的自适应参数，是进行卷积参数预测所采用的特征，它是由变换而来的；表示空间平均池化操作；和表示全连接层的参数； 表示自注意力编码器，具体构成如下式2所示： 2其中分别表示查询特征、键特征和值特征，均由输入自注意力编码器的特征经线性映射得到，其中分别表示用于生成的线性映射层参数，由模型训练学习得到； 步骤2：将参数自进化模块插入ResNet‑50模型中，将其命名为参数自进化网络； ResNet‑50由4个阶段组成，每个阶段包含不同数量的残差块，只使用参数自进化模块替换ResNet‑50第2到第4阶段的最后一个残差块中的3×3卷积层； 步骤3：损失函数； 将可访问源数据域表示为，其中为可用源数据域的数量，表示第个源数据域，其中第个源数据域中的第个标记样本，为该样本，为该样本的标记信息，即该样本对应的目标ID，则表示第个源数据域中的样本数； 将各个源数据域视为一个独立任务，并为这些任务提供一个共享的特征提取器；对每个域创建一个目标ID分类器来执行目标ID分类，第个分类器的标签空间为第个域中的所有目标ID；对各样本经过目标ID分类器的结果与其标记信息应用交叉熵损失，对从第个数据域随机采样的样本应用三元组损失和控制损失；在上述损失的基础上，总体目标为最小化每个数据域中损失的平均值，因此，总体损失函数表示为如下公式： 3其中的和分别为样本图像序号和源数据域序号，则表示第个源域中的样本数，和分别是随机抓取的的正样本和负样本；表示特征提取模型，和分别表示交叉熵损失和三元组损失；代表控制损失，控制损失具体形式如下公式： 4其中分别代表在模型的第个阶段由加入了参数自进化模块的卷积层对处理得到的特征，而则代表在相应卷积未加入参数自进化模块时处理得到的特征，m和均为超参数； 步骤4：采用训练集对参数自进化网络进行训练，完成后实现目标细粒度识别。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路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”。

以上内容由龙图腾AI智能生成。