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！

龙图腾网获悉陕西师范大学申请的专利基于Cot-cirConvNeXt网络的图像分类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：CN116664917B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202310518193.9，技术领域涉及：G06V10/764；该发明授权基于Cot-cirConvNeXt网络的图像分类方法是由陈昱莅;陈国萍;陆铖;白佳洋设计研发完成，并于2023-05-09向国家知识产权局提交的专利申请。

本基于Cot-cirConvNeXt网络的图像分类方法在说明书摘要公布了：一种基于Cot‑cirConvNeXt网络的图像分类方法，由数据集预处理、构建Cot‑cirConvNeXt网络、训练Cot‑cirConvNeXt网络、保存模型、验证Cot‑cirConvNeXt网络、测试Cot‑cirConvNeXt网络步骤组成。Cot‑cirConvNeXt网络通过ConvNeXt‑t网络作为主干特征提取网络，在注意力卷积模块和感知卷积模块使用上下文注意力和位置感知循环卷积将局部特征与全局特征进行结合，使用上下文注意力增强全局特征的表征能力和图像中不同区域的关注程度，使用位置感知循环卷积获取高级信息表示，得到Cot‑cirConvNeXt网络模型，该网络用图像中的有效信息对图像进行分类。本发明具有分类准确度高、鲁棒性强等优点，可用于图像的分类。

本发明授权基于Cot-cirConvNeXt网络的图像分类方法在权利要求书中公布了：1.一种基于Cot-cirConvNeXt网络的图像分类方法，其特征在于由下述步骤组成： 1数据集预处理 取全视野数字切片1000张，截取出有标注的图像区域，切割成224×224像素的图像块，按8：1：1的比例划分为训练集、验证集、测试集； 2构建Cot-cirConvNeXt网络 Cot-cirConvNeXt网络由第一特征构建模块、第二特征构建模块、第三特征构建模块、第四特征构建模块、全连接层依次串联构成； 所述第一特征构建模块由卷积核大小为4×4步长为4的卷积层与归一化层、3个注意力卷积模块依次串联构成；第二特征构建模块由下采样层与3个注意力卷积模块依次串联构成；第三特征构建模块由下采样层与9个感知卷积模块依次串联构成；第四特征构建模块由下采样层与3个感知卷积模块依次串联构成； 所述的第三特征构建模块的感知卷积模块由卷积核大小为16步长为1的位置感知循环卷积层与归一化层3、卷积核大小为1×1的卷积层3、激活函数层2、卷积核大小为1×1的卷积层4、归一化层4、正则化层2、上下文注意力模块2依次串联构成；所述的第四特征构建模块的感知卷积模块由卷积核大小为8步长为1的位置感知循环卷积层与归一化层3、卷积核大小为1×1的卷积层3、激活函数层2、卷积核大小为1×1的卷积层4、归一化层4、正则化层2、上下文注意力模块2依次串联构成； 3训练Cot-cirConvNeXt网络 1确定目标函数 目标函数包括损失函数L、评价函数ACC、评价函数F1，按下式确定损失函数L： 其中，y表示目标类或非目标类，目标类y取值为0，非目标类y取值为1，为模型对第个类别的预测概率，表示模型对第个类别的预测得分，表示模型对第个类别的预测得分； 按下式确定评价函数ACC： 其中，表示正例预测正确的个数，表示负例预测错误的个数，表示负例预测正确的个数，表示正例预测错误的个数，TP与FP、TN、FN的和为总的样本数，TP与TN的和为预测正确的样本数，,N为有限的正整数，且不同时为0； 按下式确定评价函数F1： 其中，是精准率，是召回率，且不同时为0； 2训练Cot-cirConvNeXt网络 将训练集送入到Cot-cirConvNeXt网络中进行训练，在训练过程中，Cot-cirConvNeXt网络的学习率为，优化器采用AdamW优化方法，迭代至损失函数收敛； 4保存模型 在训练Cot-cirConvNeXt网络过程中，不断更新权重，保存权重文件； 5验证Cot-cirConvNeXt网络 将验证集输入到Cot-cirConvNeXt网络中进行验证； 6测试Cot-cirConvNeXt网络 将测试集输入到Cot-cirConvNeXt网络中进行测试，加载保存的权重文件，得到图像的分类。

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陕西师范大学，其通讯地址为：710062 陕西省西安市长安南路199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。