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！

龙图腾网获悉大连海事大学申请的专利一种面向细粒度汽车识别的多任务注意力学习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：CN116912612B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202310187720.2，技术领域涉及：G06V10/774；该发明授权一种面向细粒度汽车识别的多任务注意力学习方法是由王辉兵;崔添翔;姚铭泽;杜雨珊;庞惠娟;米泽田;付先平设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种面向细粒度汽车识别的多任务注意力学习方法在说明书摘要公布了：本发明提供一种面向细粒度汽车识别的多任务注意力学习方法，我们首先提出将汽车前端考虑在内，以提高细粒度汽车识别的性能，还提出了一种汽车前端的裁剪优化策略，为了同时考虑汽车的多个重要部件，本发明提出了一种名为多任务注意力学习模型，与传统的DCNN模型相比，本发明提出的多任务注意力学习模型可以充分利用汽车的多个零部件来实现更好的性能。本发明全面调查了汽车不同部件的属性，并将它们组合在一个模型中。通过实验表明，所提出的多任务注意力学习模型能够很好地处理细粒度的汽车识别。

本发明授权一种面向细粒度汽车识别的多任务注意力学习方法在权利要求书中公布了：1.一种面向细粒度汽车识别的多任务注意力学习方法，其特征在于，包括以下步骤： 步骤1、采集用于训练和验证的各类汽车图像，生成训练集及验证集； 步骤2、通过在VOC数据集上预先训练的YOLO目标检测算法，检测采集到的图像中的汽车图像，并将检测到的汽车图像裁剪成固定的224×224大小的图像，获得目标车辆图像； 步骤3、构建多任务注意力学习模型；加入多尺度通道空间注意力模块识别车头、车尾以及车窗图像； 步骤4、将所述识别车头、车尾以及车窗图像以224×224区域大小的裁剪策略裁剪出车头或车尾图像； 步骤5、加入像素级注意力模块，从车头或车尾图像中递进式的提取更具有判别性的特征图像； 步骤6、将所述判别性的特征图像、目标车辆图像和车前图像输入到骨干网络中经过多个卷积层进行特征提取，分别获取三个分支的特征图； 步骤7、将目标车辆图像和车前图像的特征图通过元素求和的方法进行融合，获得融合后的特征图； 步骤8、将所述融合后的特征图与所述判别性的特征图像分别经过全连接层进行特征处理，获取特征矩阵； 步骤9、将所述特征矩阵通过元素相乘的方法进行融合，获取融合后的特征矩阵； 步骤10、将所述融合后的特征矩阵经过全连接层fc6进行预测处理从而获得汽车种类的预测结果； 步骤11、将所述步骤8中所述特征矩阵经过全连接层fc7进行预测处理，从而获得汽车标志的预测结果； 所述步骤7和步骤9中，所述融合策略为： ； 其中，U表示融合后的结果；对于目标车辆图像和车前图像的特征图，通过元素求和的融合策略，所述元素求和的融合策略公式为： 其中，和分别表示两个输入，即目标车辆图像的特征图和车前图像的特征图，而代表元素求和，将两个特征图的各个对应位置进行相加求和得到融合后的特征图； 对于全连接层fc6_1和fc6_2的输出结果，通过元素相乘的融合策略，所述元素相乘的融合策略公式为： ； 其中，和分别表示两个输入，即全连接层fc6_1和fc6_2的输出结果，而代表元素相乘，将两个特征矩阵的各个对应位置进行相乘得到融合后的特征矩阵；对于损失函数的计算，根据梯度的链式法则，得到以下的反向传播梯度： 其中，L表示损失函数，N表示全连接层fc_7的输出，U表示融合策略的结果，和分别表示两个输入，即全连接层fc6_1和fc6_2的输出结果。

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大连海事大学，其通讯地址为：116026 辽宁省大连市高新园区凌海路1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。