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！

龙图腾网获悉合肥工业大学申请的专利基于中心坐标注意力模型的目标识别分类及应用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：CN115223058B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202210943446.2，技术领域涉及：G06V20/13；该发明授权基于中心坐标注意力模型的目标识别分类及应用是由艾加秋;屈铮;张勇;陈斌;贾璐设计研发完成，并于2022-08-08向国家知识产权局提交的专利申请。

本基于中心坐标注意力模型的目标识别分类及应用在说明书摘要公布了：本发明公开了一种基于中心坐标注意力模型的目标识别分类及应用，包括：1.选取不同种类的SAR图像作为样本集；2.采用Lenet‑5网络作为骨干网络，将中心坐标注意力模型嵌入到最后一层卷积层与全连接层之间，获得融合权重系数矩阵；3.将融合权重系数矩阵与最后一层卷积层的输出通过像素级水平进行最优特征融合，并得到最终特征；4.将最终特征输入全连接层和softmax分类器得到预测结果，并与真实结果对比，完成网络训练过程；5.将待分类的SAR图像输入到训练好的网络模型并得到对应的类别。本发明能提高位于SAR图像中心的目标特征表征的完整性，获得更高的分类精度和分类效率，具有较好的工程应用价值。

本发明授权基于中心坐标注意力模型的目标识别分类及应用在权利要求书中公布了：1.一种基于中心坐标注意力模型的目标识别分类，其特征在于，包括如下步骤： 步骤1：选取不同种类的SAR图像作为基于中心坐标注意力模型的目标识别分类的样本集合，将所述样本集合中的SAR图像进行尺寸统一后，得到预处理后的SAR图像集合{S1,S2,…,Si,…,Sn}，其中，Si表示预处理后的SAR图像集合中第i个SAR图像样本，n表示SAR图像集合的容量；i∈[1,n]； 步骤2：搭建基于中心坐标注意力模型的目标识别分类网络，包括：骨干网络，中心坐标注意力模型，融合层和分类网络； 步骤2.1：所述骨干网络是基于Lenet-5网络，并包括：第一卷积-池化块，第二卷积-池化块和卷积块； 所述第一卷积-池化块的卷积核K1的尺寸为n1×n1，卷积步长为c1，池化核P1的尺寸为m1×m1，池化步长为p1；所述第二卷积-池化块的卷积核K2的尺寸为n2×n2，卷积步长为c2，池化核P2的尺寸为m2×m2，池化步长为p2；所述卷积块的卷积核K3尺寸为n3×n3，卷积步长为c3； 将第i个SAR图像样本Si送入所述骨干网络中进行处理，并利用式1得到一个卷积特征图Fi： 式1中，Fi,1、Fi,2、Fi,3、Fi,4分别表示所述第一卷积-池化块中经过卷积核的输出、所述第一卷积-池化块中经过池化核的输出、所述第二卷积-池化块中经过卷积核的输出、所述第二卷积-池化块中经过池化核的输出，*表示卷积操作，σ·为ReLU函数； 步骤2.2：所述中心坐标注意力模型是由池化块、中心加权块和输出块依次构成； 所述池化块通过尺寸为H×1和1×W的一维池化核分别对所述卷积特征图Fi进行最大池化操作，从而利用式1得到尺寸为1×W和H×1的条形特征图Fiv、Fih： 式2中，x,y分别表示行和列，Fi,x,y表示卷积特征图Fi中第x行第y列元素，表示垂直条形特征图Fiv中第y列元素，表示水平条形特征图Fih中第x行元素； 所述中心加权块通过中心重要度加权核分别对所述条形特征图Fiv、Fih进行加权，利用式3可得到垂直中心重要度加权核fv和水平中心重要度加权核fh： 式3中，表示垂直中心重要度加权核fv的第x行第y列元素，表示水平中心重要度加权核fh的第x行第y列元素，exp·表示指数函数，x*和y*分别是条形特征图Fiv、Fih的行和列的中间坐标值，ε为调节参数； 利用式4对所述条形特征图Fiv、Fih与所述中心重要度加权核fv、fh进行加权，得到垂直中心重要度加权条形特征图和水平中心重要度加权条形特征图 式4中，表示垂直中心重要度加权条形特征图的第x行第y列元素，表示水平中心重要度加权条形特征图的第x行第y列元素，MUL·表示矩阵对应位置元素相乘； 所述输出块首先将中心重要度加权条形特征图和分别进行行扩展和列扩展，从而得到与所述卷积特征图Fi的尺寸一致的垂直中心重要度加权特征图和水平中心重要度加权特征图然后利用式5对所述中心重要度加权特征图和进行逐元素相加后，得到最终的中心重要度加权特征图Gi，最后利用式6得到融合权重系数矩阵Wi： Wi＝SigmoidGi6 式5中，Gi,x,y表示中心重要度加权特征图Gi的第x行第y列元素，Add·表示矩阵对应位置元素相加，表示垂直中心重要度加权特征图的第x行第y列元素，表示水平中心重要度加权特征图的第x行第y列元素； 式6中，Sigmoid·表示sigmoid函数； 步骤2.3：所述融合层利用式6对所述卷积特征图Fi和所述融合权重系数矩阵Wi进行加权融合，从而得到融合特征图Yi： 式6中，Yi,x,y表示融合特征图Yi的第x行第y列元素，Wi,x,y表示融合权重系数矩阵Wi的第x行第y列元素； 步骤2.4：所述分类网络是由第一全连接层，第二全连接层和softmax分类器依次构成； 将融合特征图Yi依次输入到所述第一全连接层和所述第二全连接层中进行特征整合，得到整合后的向量；其中，所述第一全连接层的维度为a，所述第二全连接层的维度与SAR图像集合的类别数相同； 将整合后的向量送入所述softmax分类器中进行分类处理，从而得到第i个SAR图像样本Si对应于每个类别的后验概率，并选取最大后验概率所对应的类别作为第i个SAR图像样本Si的预测类别； 将所述预测类别与第i个SAR图像样本Si对应的真实类别进行对比，并通过反向传播算法对基于中心坐标注意力模型的目标识别分类网络进行训练，从而得到训练好的网络模型； 步骤3：将待分类的SAR图像输入到训练好的网络模型中，并得到分类结果。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。