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！

龙图腾网获悉中国矿业大学申请的专利一种基于并联语义嵌入的组成式零样本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：CN116883723B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310721175.0，技术领域涉及：G06V10/764；该发明授权一种基于并联语义嵌入的组成式零样本图像分类方法是由潘杰;杨建庆;邹筱瑜;刘新华设计研发完成，并于2023-06-19向国家知识产权局提交的专利申请。

本一种基于并联语义嵌入的组成式零样本图像分类方法在说明书摘要公布了：本发明公开了一种基于并联语义嵌入的组成式零样本图像分类方法，该方法首先根据属性、对象及其组合间的多元依赖结构构建组合图，并对组合图内节点进行语义嵌入。随后，将得到的组合图输入到并联语义嵌入网络中，通过聚合邻域节点来实现可见类和不可见类间的特征迁移。最后，联合由并联语义嵌入网络得到的嵌入表示，通过联合嵌入表示进行训练图像的分类预测，将其与独热编码求分类损失，根据分类损失更新优化模型参数，得到最优模型用于测试。测试阶段将测试图像输入模型，根据兼容性分数预测图像类别。本发明采用并联语义嵌入的方式，提高模型泛化性，得到更优的组成式零样本图像分类性能。

本发明授权一种基于并联语义嵌入的组成式零样本图像分类方法在权利要求书中公布了：1.一种基于并联语义嵌入的组成式零样本图像分类方法，其特征在于，通过步骤S1至步骤S4，构建并训练组成式零样本图像分类模型，并按步骤i至步骤j，应用训练好的组成式零样本图像分类模型，针对待分类图像进行分类： 步骤S1、构建预设数据集，预设数据集包括图像，基于预设数据集获得所有类别标签，预设数据集中的各图像分别与其所属的类别标签相对应，同时将各类别标签转化为独热编码； 步骤S2、基于预设数据集的属性、对象及其组合间多元依赖关系构建组成式零样本图像分类模型；组成式零样本图像分类模型以图像为输入，输出用于表示图像分类概率的兼容性分数；所述组成式零样本图像分类模型包括组合图构建模块、并联语义嵌入模块和分类器学习模块；所述组合图构建模块根据预设数据集中属性、对象及其组合间多元依赖关系构建组合图；所述并联语义嵌入模块利用并联语义嵌入网络，分别获得预设数据集中可见类和不可见类的特征嵌入表示；所述分类器学习模块联合可见类和不可见类的特征嵌入表示，获得联合嵌入表示，同时采用特征提取器提取图像特征，结合联合嵌入表示及图像特征得到兼容函数，计算并输出兼容性分数； 步骤S2中，并联语义嵌入模块由并联语义嵌入网络组成；并联语义嵌入网络包括图卷积网络和图注意力网络； 图卷积网络根据对称邻接矩阵及节点特征矩阵，计算每个节点的隐藏表示如下式： ； 其中，表示非线性激活函数ReLU，表示第l层的隐藏表示，，是可训练的权重矩阵，其中U是上层网络的输出维度，V是本层网络的输出维度；为对角节点度矩阵，对M中的行进行归一化，以保持特征向量的尺度，图卷积网络输出层的输出为,获得可见类和不可见类的特征嵌入表示：； 图注意力网络根据对称邻接矩阵及节点特征矩阵，首先计算注意力互相关系数如下式： ； 其中，为节点i的所有相邻节点，表示非线性激活函数LeakyReLU，c为模型权重的转置，表示可训练的权重矩阵，其中Z是输出特征维数，P表示组合图节点的特征维数；使用多头注意力机制进行扩展，每个节点的最终输出特征如下： ； 其中，g表示注意力机制重数，G为注意力机制重数的总数，为第g重注意力机制产生的注意力互相关系数，为第g重注意力机制的权值矩阵；节点嵌入表示为网络输入,其中N为节点数量；图注意力网络的输出为，获得可见类和不可见类的特征嵌入表示：； 步骤S3、基于预设数据集构建训练集，训练集中的各训练样本包含图像、图像所属的类别标签以及对应的独热编码； 步骤S4、利用上述训练集对组成式零样本图像分类模型进行训练，学习图像特征与联合嵌入表示间的兼容函数，直至达到预设收敛条件，获得训练好的组成式零样本图像分类模型； 步骤i、将待分类图像输入训练好的组成式零样本图像分类模型，获得兼容函数； 步骤j、根据兼容函数计算待分类图像相对各类别标签的兼容性分数，将兼容性分数最高的类别标签作为待分类图像的所属类别，完成组成式零样本图像分类任务。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路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。