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！

龙图腾网恭喜电子科技大学申请的专利一种融合全连接层与深度卷积特征的图像检索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：CN116701689B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202310606770.X，技术领域涉及：G06F16/58；该发明授权一种融合全连接层与深度卷积特征的图像检索方法是由郑宏;施鑫林;唐国良;于力;李芳设计研发完成，并于2023-05-26向国家知识产权局提交的专利申请。

本一种融合全连接层与深度卷积特征的图像检索方法在说明书摘要公布了：本发明公开的一种融合全连接层与深度卷积特征的图像检索方法，属于计算机视觉、深度学习技术领域，在现有R‑MAC卷积特征后处理方式的基础上，通过基于区间前缀和计算的采样频次校正和区域响应的权重校正，提出了MCR‑MAC卷积特征后处理方式，在考虑不同尺度上特征信息的同时，更加关注局部特征的聚合，并进一步融合全连接层输出的权重向量，以衡量各特征图的重要性，此外在基于三元组数据形式的训练集进行模型训练时，冻结卷积层参数，以保留MCR‑MAC特征，赋予全连接层的特征组合能力；本发明可显著提升图像检索算法的准确率。

本发明授权一种融合全连接层与深度卷积特征的图像检索方法在权利要求书中公布了：1.一种融合全连接层与深度卷积特征的图像检索方法，其特征在于，包括以下步骤：步骤1：构建由多个三元组组成的训练集，所述三元组包括查询样本、正样本和负样本；步骤2：构建图像检索框架，具体为：先构建不包括全连接层的深度卷积神经网络模型，以最后一个最大池化层为输出层，并在输出层后连接MCR-MAC特征提取模块；在深度卷积神经网络模型的最后一个卷积层与输出层之间连接依次的自适应最大池化层和全连接层，最后用Softmax函数激活全连接层的输出；其中，深度卷积神经网络模型的输出层的输出结果为w×h×c大小的深度卷积特征图；所述MCR-MAC特征提取模块包括最大值修正模块和区域加权混合池化卷积激活模块；所述最大值修正模块对w×h×c大小的深度卷积特征图分别在L个尺度下计算各特征值所在位置的采样频次分布，进而计算各特征值所在位置在L个尺度叠加下的采样频次分布，得到最大采样频次值，以及最大特征值所在位置对应的采样频次值；将最大采样频次值与最大特征值所在位置对应的采样频次值的比值作为第一修正系数，与各w×h大小的特征图的最大池化响应值相乘，得到其最大池化响应值的修正值；所述区域加权混合池化卷积激活模块采用L个尺度下滑动窗口式的均值池化和最大池化，计算各窗口区域的加权混合池化响应值，具体为：对各w×h大小的特征图，将第l,l＝1,2,..,L个尺度下各窗口区域的均值池化值与最大池化值的比值作为第二修正系数，第二修正系数加1后与最大池化值相乘，得到第l,l＝1,2,..,L个尺度下各窗口区域的加权混合池化响应值；对各w×h大小的特征图，将其最大池化响应值的修正值与L个尺度叠加下的各窗口区域的加权混合池化响应值求和，得到其最终响应值；进而得到由c个w×h大小的特征图的最终响应值构成的w×h×c大小的深度卷积特征图的特征向量，即MCR-MAC特征向量；所述深度卷积神经网络模型的最后一个卷积层的输出结果为2w×2h×c大小的深度卷积特征图；所述自适应最大池化层将2w×2h×c大小的深度卷积特征图压缩为预设固定大小的深度卷积特征图；所述全连接层通过线性投影将自适应最大池化层的输出转换为与MCR-MAC特征向量同维度的输出向量，再用Softmax函数激活，得到权重向量；最后将MCR-MAC特征向量与权重向量进行点乘，得到加权MCR-MAC特征向量，作为图像检索框架的输出；步骤3：基于训练集，先对深度卷积神经网络模型中的卷积层进行训练，得到训练后深度卷积神经网络模型；之后冻结训练后深度卷积神经网络模型的卷积层参数，对全连接层进行训练，得到训练后全连接层；进而得到训练后图像检索框架；步骤4：将待测试的查询图像输入至训练后图像检索框架，根据查询图像的特征向量与训练集中所有图像的特征向量之间的欧氏距离大小，排序后输出图像检索结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。