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！

龙图腾网获悉东南大学申请的专利用于大规模细粒度图像检索的属性感知哈希编码方法、存储介质及电子设备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：CN119884399B 。

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：202411936620.6，技术领域涉及：G06F16/51；该发明授权用于大规模细粒度图像检索的属性感知哈希编码方法、存储介质及电子设备是由魏秀参;王鹏设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本用于大规模细粒度图像检索的属性感知哈希编码方法、存储介质及电子设备在说明书摘要公布了：本发明公开了一种用于大规模细粒度图像检索的属性感知哈希编码方法，包括以下步骤：通过卷积神经网络提取出多尺度的图像特征，并采用上采样策略对不同尺度的特征进行融合。使用一个由自注意力机制和前向网络构成的特征挖掘模块挖掘图像中具有显著区分性的特征。针对提取到的特征，使用一组可学习的查询与特征进行交互，直接解耦出一组可区分不同类别图像的特定视觉属性特征。每个查询捕获到的特定视觉属性特征会被压缩作为哈希编码的一位比特。此外，在训练过程中采用额外的辅助分支使得训练过程可以有效缓解低比特哈希编码场景下存在的优化困难问题，实现更好地优化可学习的查询，提高哈希编码的检索表现。本发明通过设置一组可学习的查询从复杂的全局图像特征中有效捕获出显著可区分的视觉属性特征，使得最终生成的哈希编码保留了图像的关键语义信息，获得了更高的图像检索准确率。

本发明授权用于大规模细粒度图像检索的属性感知哈希编码方法、存储介质及电子设备在权利要求书中公布了：1.一种用于大规模细粒度图像检索的属性感知哈希编码方法，其特征在于，包括以下步骤： 步骤1，通过卷积神经网络提取出图像的多尺度特征，对多尺度特征进行融合，并使用由多头自注意力机制和前向传播网络构成的特征精炼模块挖掘图像中的显著区域，得到图像的全局特征； 步骤2，使用一组可学习的查询直接从提取到的全局特征中捕获图像的关键可区分的特定视觉属性特征； 步骤3，在步骤2的基础上引入额外的辅助分支，以缓解低比特哈希编码场景下训练过程中的优化困难，使得可学习的查询能捕获更具有区分性的视觉属性特征； 步骤4，丢弃掉辅助分支，使用经训练优化好的查询，将获得的每一个特定视觉属性特征分别映射为一位哈希比特； 步骤2具体为：使用可学习的查询捕获图像特定的属性特征；随机初始化个可学习的查询；每个可学习的查询和步骤1得到的全局特征被送入一个解码器进行计算； 查询捕获的结果即为解码器输出的特定属性特征，其具体运算方式如下： ； 其中，表示一个可学习的查询，表示每个头查询的维度，表示来自第个注意力头的输出，表示可学习的投影矩阵，表示归一化指数函数，表示拼接操作；将每个头的输出拼接在一起经过投射得到；之后再对进行压缩得： ； 其中，；由于解码过程能并行执行，使用表示个可学习的查询，按照上述过程，给定，能一次计算得到；将整个步骤2记为： 其中，表示位置增强后的表示可学习得查询，表示解码其中涉及到的可学习参数，表示使用解码器执行解码操作，具体的； 步骤3具体为：对中的每个，均匀的将其分为N段然后对切片后的子向量执行循环移位操作，得到： ； 其中，记，和原有的共享同一组参数； 将新的得到的按照步骤2中的过程处理得到： ； 这一计算过程在辅助分支内执行，且辅助分支重用了步骤2中的解码器； 之后，将原有分支的输出和辅助分支的输出拼接在一起得到,根据损失函数使用SGD进行优化，损失函数记为： ； 其中，，；当一个图像对的两张图片属于同一个类别时否则；损失函数的计算和优化在维空间下执行。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2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。