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！

龙图腾网获悉兰州大学申请的专利一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型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：CN119295890B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411149883.2，技术领域涉及：G06V10/82；该发明授权一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型是由王兆滨;时玥设计研发完成，并于2024-08-21向国家知识产权局提交的专利申请。

本一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型在说明书摘要公布了：本发明涉及计算机视觉识别技术，具体涉及一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型，包括编码器、解码器、特征融合模块和类别注意力块，编码器采用部分卷积快速T型块，有效减小参数量的同时不丢失通道间的信息交互，节约成本并保证特征精细程度；在每层网络之后辅以下采样操作；解码器中引入了Transformer，可以进一步提取特征图的局部上下文信息和全局上下文信息，在提取全局语义信息的同时兼顾细节语义信息；每一层的编码器输出特征与解码器输出特征需要通过一个特征融合模块聚合，实现特征细化融合，通过类别注意力机制对其类别特征信息进行进一步增强，提升沙丘形态类型识别效果。

本发明授权一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型在权利要求书中公布了：1.一种基于部分卷积和Transformer的轻量化沙丘形态类型识别模型，其特征在于，所述的沙丘形态类型识别模型包括： 1编码器：对输入图像进行特征提取操作； 所述的编码器采用部分卷积快速T型块，共使用了四个部分卷积快速T型块，第一个部分卷积快速T型块使用了通道数不改变的平铺部分卷积快速T型块，其余三个为经过1×1卷积通道扩增的部分卷积快速T型块； 特征图中不同位置的重要程度可通过Frobenius范数来评估，如公式2所示； 其中，||F||表示位置i处的Frobenius范数， 2解码器：对经编码器输出的特征图进行纹理细节的恢复并渐进式地还原其通道维度；采用改进的双分支Transformer，添加了全局注意力分支和局部注意力分支；Transformer自注意力机制通过映射到三个线性层实现，其计算公式如公式3所示，在计算时需要用到矩阵Query，Key和Value实现线性变换； 其中，Query和Value表示深层语义特征映射的编码向量，Key表示浅层语义特征映射的编码向量，d表示Query和Key矩阵的列数，即向量维度，将其融合并进行相乘操作，AttentionQuery,Key,Value是通过残差连接和批归一化的结果； 3特征融合模块：对于输入的沙漠遥感特征图，先使其经过步长为2的7×7卷积操作以缩小特征图尺寸并增加通道数，继而进行批归一化和特征激活操作，在完成浅层特征提取的同时保证后续的部分卷积块获得具有足够通道数的输入特征图，确保其输出特征图的质量，其计算公式如公式1所示： Fshallow＝HReLUHBNConv7×7F01 其中，F0表示原始输入特征，Fshallow表示输出的浅层特征，HReLU·表示ReLU激活操作，HBN·表示批标准化操作，Conv7×7表示一个7×7的卷积核； 4类别注意力块：对每一类都给定一个能够涵盖特征信息的通道数k，并使每一类的特征通道都有区别，因此分别能够代表某一类；对于输入特征图FInput∈Rh×w×c，假设有N个类别，则需要通过1×1的卷积层将其特征通道数转换为kN，得到特征映射F′∈Rh×w×kN； 其中，GMP·表示全局最大池化，fi,′j表示F′中第i类的第j个特征； 上述所得到的F′同时对其进行平均池化和最大池化操作，得到F″∈Rh×w×N；为了获取显著的特征信息并保留其细节特征信息，其计算方式如公式5所示； 其中，fi,′j表示F′中第i类的第j个特征，Fi″表示第i类的特征图； 某一个位置类别注意力F″′计算方式如公式6所示； 将输入特征图FInput与位置类别注意力F″′相乘得到最终的输出特征图FOutput∈Rh×w×c，如公式7所示； FOutput＝FInputF″′7。

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兰州大学，其通讯地址为：730000 甘肃省兰州市城关区天水南路222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。