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！

龙图腾网获悉温州大学申请的专利一种基于隐上下文标签关系建模的多标签图像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：CN117274618B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202311471534.8，技术领域涉及：G06V10/40；该发明授权一种基于隐上下文标签关系建模的多标签图像识别方法是由陈钊民;张笑钦;葛一粟;章国道设计研发完成，并于2023-11-07向国家知识产权局提交的专利申请。

本一种基于隐上下文标签关系建模的多标签图像识别方法在说明书摘要公布了：本发明提供一种基于隐上下文标签关系建模的多标签图像识别方法，包括获取待识别图像，并基于特征提取网络进行特征提取得到各层级特征，且送入Squeeze‑and‑Excitation模块中进行上下文信息提取后，进行信息融合得到具有多层上下文信息的特征；使用隐上下文信息嵌入模块对多层上下文信息的特征进行嵌入，得到隐上下文信息嵌入特征，以及使用类别解耦模块对多层上下文信息的特征进行解耦，得到类别相关特征，且将隐上下文信息嵌入特征与类别相关特征进行特征融合得到融合特征；在标签关系建模模块中输入融合特征，分类预测出最终结果。实施本发明，能解决现有技术在处理多标签图像识别时标签的共现关系无法准确代表标签的相关性的问题。

本发明授权一种基于隐上下文标签关系建模的多标签图像识别方法在权利要求书中公布了：1.一种基于隐上下文标签关系建模的多标签图像识别方法，其特征在于，所述方法包括以下步骤： 获取待识别图像，并基于预设的特征提取网络进行特征提取，以得到各层级特征，且将所得各层级特征分别送入预设的Squeeze-and-Excitation模块中进行上下文信息提取，进一步将所提取的各层级上下文信息进行信息融合，以得到具有多层上下文信息的特征，具体步骤包括： 通过公式X3，X4，X5＝fbackboneI，对所述待识别图像进行特征提取，以得到各层级特征；其中，fbackbone·表示特征提取网络，X3，X4和X5为特征提取网络的最后三层输出，I表示所述待识别图像； 通过公式fseX＝X×fsigmoidffcfpoolX，对这三个输出分别进行上下文信息提取，得到三个上下文信息X′3，X′4，X′5；其中，X表示输入，fse·表示Squeeze-and-Excitation模块，ffc·表示两层全连接操作，fsigmoid·表示sigmoid函数，fpool·表示池化操作； 通过公式Xml＝[finterX′3：finterX′4：finterX′5]对三个上下文信息X′3,X′4,X′5的大小进行匹配并链接，以得到具有多层上下文信息的特征Xml：其中，finter·表示插值操作，[：]表示链接操作； 使用预设的隐上下文信息嵌入模块，对所得具有多层上下文信息的特征进行上下文信息嵌入各类别嵌入向量中，以得到隐上下文信息嵌入特征，以及使用预设的类别解耦模块对所得具有多层上下文信息的特征进行解耦，以得到类别相关特征，且进一步将所得的隐上下文信息嵌入特征与类别相关特征进行特征融合，得到融合特征，所述隐上下文信息嵌入模块是由一个自注意力网络和前向传播网络构成，具体步骤包括： 定义一组可学习的类别嵌入向量Leb； 将所得具有多层上下文信息的特征和类别嵌入向量Leb输入交叉注意力网络，以实现将上下文信息嵌入该类别嵌入向量Leb中，并进一步利用前向传播网络将维度映射回输入大小，以得到隐上下文信息嵌入特征Lca；其中，Lca＝fffnLca′，fQ·，fK·，fV·表示三个线性映射函数；Q，K，V分别表示对应这三个函数的可学习参数；dk表示缩放因子；Lca′表示中间输出变量；fsoftmax·表示softmax函数； 通过公式Lsp＝fprojectXml，对所得具有多层上下文信息的特征进行解耦，以得到类别相关特征Lsp：其中，fproject·表示解耦函数，这里采用1x1卷积层作为解耦函数来进行解耦； 通过公式L＝[Lca：Lsp]，将隐上下文信息嵌入特征Lcu与类别相关特征Lsp进行特征融合，得到融合特征L；在预设的标签关系建模模块中，输入所得融合特征，分类预测出最终结果。

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温州大学，其通讯地址为：325000 浙江省温州市瓯海区东方南路38号温州市国家大学科技园孵化器；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。