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！

龙图腾网获悉浙江工业大学申请的专利一种基于深度学习的复合影像特征分类检测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：CN116385804B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310504312.5，技术领域涉及：G06V10/764；该发明授权一种基于深度学习的复合影像特征分类检测方法是由邵奇可;吴艳艳;颜世航设计研发完成，并于2023-05-05向国家知识产权局提交的专利申请。

本一种基于深度学习的复合影像特征分类检测方法在说明书摘要公布了：本发明公开了一种基于深度学习的复合影像特征分类检测方法，包括：S1、获取目标的信息数据集和图像数据集；S2、构建复合影像特征分类检测模型，复合影像特征分类检测模型包括数据处理模块、图像特征提取模块和XGBoost分类模型，获得信息特征数据集和图像特征数据集；S3、将信息特征数据集和图像特征数据集拼接融合为复合特征数据集，并按照预设比例划分复合特征数据集为训练集和测试集；S4、采用训练集训练XGBoost分类模型并采用测试集评估；S5、将待测目标的信息数据集和图像数据集输入评估后的复合影像特征分类检测模型进行检测，输出分类检测结果。该方法有利于提高分类准确度和工作效率，且适用范围广。

本发明授权一种基于深度学习的复合影像特征分类检测方法在权利要求书中公布了：1.一种基于深度学习的复合影像特征分类检测方法，其特征在于：所述基于深度学习的复合影像特征分类检测方法包括如下步骤： S1、获取目标的信息数据集和图像数据集； S2、构建复合影像特征分类检测模型，所述复合影像特征分类检测模型包括数据处理模块、图像特征提取模块和XGBoost分类模型，并执行如下操作： 利用数据处理模块对信息数据集进行编码并填入第一表格，形成信息特征数据集； 采用图像数据集训练图像特征提取模块，所述图像特征提取模块包括CNN卷积神经网络、线性投影层、多个Transformer模块、隐藏层和级联上采样模块，所述CNN卷积神经网络包括依次连接的第一卷积操作模块、第二卷积操作模块和第三卷积操作模块，各所述卷积操作模块包括依次连接的第一卷积层、BN层、第一ReLU激活函数和最大池化层，各所述Transformer模块串接，所述图像特征提取模块的训练过程如下： 将图像数据集中的图像输入CNN卷积神经网络，获取第一特征图F11、第二特征图F12和第三特征图F13，所述第一特征图F11、第二特征图F12和第三特征图F13依次对应为第一卷积操作模块、第二卷积操作模块和第三卷积操作模块的输出特征，且尺寸为对应卷积操作模块的输入特征的一半； 将第三特征图F13重构成2D补丁序列为第i个2D补丁，N为输入序列的长度，即图像块的个数，w为第三特征图F13的宽度，h为第三特征图F13的高度，c为第三特征图F13的通道数，每个图像块的大小为P×P，P为图像块的宽度或高度； 采用线性投影将2D补丁序列xp映射到潜在的d维嵌入空间，形成嵌入序列，d为超参数； 将嵌入序列输入串接的Transformer模块，再经过隐藏层获得隐层特征Fhidden，所述隐层特征Fhidden包括D个长度为n_patch的特征向量；将隐层特征Fhidden转化为宽度为W16、高度为H16、通道数为D的高级特征，W为图像数据集中的图像的宽度，H为图像数据集中的图像的高度； 利用级联上采样模块对高级特征进行解码，获得图像特征表示； 采用损失函数评估更新模型参数，获得训练好的图像特征提取模块； 将图像数据集中的各图像输入训练好的图像特征提取模块获得对应的图像特征表示并将图像特征表示的权重填入第二表格形成图像特征数据集； S3、将信息特征数据集和图像特征数据集拼接融合为复合特征数据集，并按照预设比例划分复合特征数据集为训练集和测试集； S4、采用训练集训练XGBoost分类模型并采用测试集评估； S5、将待测目标的信息数据集和图像数据集输入评估后的复合影像特征分类检测模型进行检测，输出分类检测结果。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18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。