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！

龙图腾网获悉北京电子工程总体研究所申请的专利一种基于双变分自编码器的跨模态哈希检索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：CN116680433B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310506002.7，技术领域涉及：G06F16/583；该发明授权一种基于双变分自编码器的跨模态哈希检索方法是由赵阳;李小君设计研发完成，并于2023-05-06向国家知识产权局提交的专利申请。

本一种基于双变分自编码器的跨模态哈希检索方法在说明书摘要公布了：本发明公开一种基于双变分自编码器的跨模态哈希检索方法，包括：将样本的图像信息和文本信息输入预设的特征提取网络得到原始的图像特征和文本特征；基于图像和文本模态下的特征，构建图像变分自编码器模型和文本变分自编码器模型，将图像原始特征和文本原始特征嵌入到公共隐空间中；构建损失函数，为所述特征提取网络的哈希学习提供约束。本发明在训练方式上的改进可以有效利用稀疏图中的近邻信息，不仅可以减小由于未利用全局信息引起的性能损失，同时还可以提升高相关性检索性能。

本发明授权一种基于双变分自编码器的跨模态哈希检索方法在权利要求书中公布了：1.一种基于双变分自编码器的跨模态哈希检索方法，其特征在于，所述方法包括： 将样本的图像模态信息和文本模态信息输入预设的特征提取网络得到原始的图像特征和文本特征； 基于图像模态下的特征和文本模态下的特征，构建图像变分自编码器模型和文本变分自编码器模型，将原始图像特征和原始文本特征嵌入到公共隐空间中； 构建损失函数，为所述特征提取网络的哈希学习提供约束； 所述构建的损失函数包括模态内重构损失函数、模态间重构损失函数、聚类损失函数、模态对齐损失和重构一致性损失函数； 所述模态内重构损失函数为 其中xI和zI分别代表图像模态下的原始特征向量和经过图像自编码器得到的连续隐空间特征向量；代表图像模态下基于原始特征分布得到的连续隐空间特征分布的近似分布，zI＝μI+σI⊙∈，其中μI和σI通过图像自编码器中的编码器得到，分别代表多元正态分布的均值向量和标准差向量，编码器的参数为φI，为图像模态下连续隐空间下的先验分布，同样假设为正态分布；表示图像模态下隐空间特征的先验分布与后验分布的近似分布之间的Kullback-LeiblerKL散度；表示求期望值，log·表示以自然常数为底数的对数运算，表示图像模态下，基于连续隐空间特征分布得到的原始特征分布，试验中使用图像自编码器中的解码器实现，解码器的参数为θI，表示图像模态下重构出的原始特征分布的极大似然估计下限； xT和zT分别代表文本模态下的原始特征向量和经过图像自编码器得到的连续隐空间特征向量；代表文本模态下基于原始特征分布得到的连续隐空间特征分布的近似分布，zT＝μT+σT⊙∈，其中μT和σT通过文本自编码器中的编码器得到，分别代表多元正态分布的均值向量和标准差向量，编码器的参数为φT，为文本模态下连续隐空间下的先验分布，同样假设为正态分布；表示文本模态下隐空间特征的先验分布与后验分布的近似分布之间的Kullback-LeiblerKL散度；表示文本模态下基于连续隐空间特征分布得到的原始特征分布，试验中使用图像自编码器中的解码器实现，解码器的参数为φT，表示文本模态下重构出的原始特征分布的极大似然估计下限； 所述模态间重构损失函数形式如下：

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北京电子工程总体研究所，其通讯地址为：100854 北京市海淀区永定路50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。