買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉貴州大學申請的專利一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN117131377B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202311120969.8，技術(shù)領(lǐng)域涉及：G06F18/214；該發(fā)明授權(quán)一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法是由楊靜;麻興江;阮小利;李小勇;胡丙齊設(shè)計研發(fā)完成，并于2023-08-31向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法在說明書摘要公布了：本發(fā)明提出了一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法，包括以下步驟：S1，將文本信息輸入AOGN?CZSL模型中的文本特征編碼器得到基于文本信息的屬性特征和對象特征；將圖像信息輸入AOGN?CZSL模型中的圖像特征提取器得到基于圖像信息的屬性和對象；S2，通過AOGN?CZSL模型中的兼容性學習空間P將基于文本信息的屬性特征和對象特征，以及基于圖像信息的屬性和對象進行送入兼容性學習，得到訓練完畢的AOGN?CZSL模型；S3，將待測的圖像或者文本輸入AOGN?CZSL模型，得到預測結(jié)果。本發(fā)明方法能同時處理多屬性和多對象，學習不同屬性、對象及其組合的豐富依賴結(jié)構(gòu)。以及通過編碼器分別學習到屬性之間的聯(lián)系性以及對象之間的聯(lián)系性，用這種方式學習到的依賴性和聯(lián)系性比較有序和簡單。

本發(fā)明授權(quán)一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法在權(quán)利要求書中公布了：1.一種開放域?qū)傩院蛯ο笠龑У牧愦螌W習視覺模型推理方法，其特征在于，包括以下步驟： S1，將文本信息輸入開放域?qū)傩院蛯ο笠龑У牧愦螌W習AOGN-CZSL模型中的文本特征編碼器得到基于文本信息的屬性特征和對象特征； 將圖像信息輸入AOGN-CZSL模型中的圖像特征提取器得到基于圖像信息的屬性和對象； 所述將文本信息輸入文本特征編碼器??包括以下步驟： S1-1，將文本信息中的屬性標簽yattr和對象標簽yobj通過詞嵌入模型轉(zhuǎn)化為詞嵌入向量形式的屬性序列EMBATTR、對象序列EMBOBJ； S1-2，將屬性序列EMBATTR、對象序列EMBOBJ送入編碼器，所述編碼器采用Transformer的Encoder模塊； 采用Transformer的Encoder模塊作為編碼器的編碼過程如下： S1-2-1，計算出屬性之間和對象之間的關(guān)注程度： Q＝EMBWq3 K＝EMBWk4 V＝EMBWv5 此處EMB為輸入屬性和對象序列的嵌入表示，EMB取EMBATTR或EMBOBJ； Wq、Wk、Wv表示可學習參數(shù)矩陣； S1-2-2，得到QQuery、KKey、VValue的值后，注意力系數(shù)矩陣通過公式6來計算： 其中AEMB表示嵌入向量EMB的注意力系數(shù)矩陣； KT表示K的轉(zhuǎn)置矩陣； d代表EMB的維度； 為殘差連接； S1-2-3，將嵌入向量EMB的注意力系數(shù)矩陣通過兩層線性映射并用非線性激活函數(shù)激活： EMBhidden＝LinerσLinerAEMB7 其中EMBhidden表示隱藏層特征； σ是非線性激活函數(shù)； 然后對EMBhidden與AEMB進行殘差連接和層歸一化： EMB′＝LayerNormEMBhidden+AEMB8 最后得到屬性序列、對象序列經(jīng)過學習后所得到的特征矩陣： Tattr＝EMB′ATTR9 Tobj＝EMB′OBJ10 EMB′ATTR為經(jīng)過Encoder后屬性序列的嵌入表示； EMB′OBJ為經(jīng)過Encoder后對象序列的嵌入表示； Tattr和Tobj分別表示屬性和對象的文本特征，它們包含了屬性-屬性和對象-對象的依賴性； AOGN-CZSL模型采用損失函數(shù)約束和鼓勵圖像特征提取器和文本特征編碼器挖掘?qū)傩院蛯ο蟮囊曈X特征和文本特征，損失函數(shù)的表達式如下： 其中min表示使損失達到最小； |T|是訓練集中訓練元素個數(shù)； exp表示以自然常數(shù)e為底的指數(shù)函數(shù)； 表示對表示二元組Ii,attri的兼容性評分； 表示對表示二元組Ii,objj的兼容性評分； Ii是第i個輸入的圖像； attri、obji分別表示Ii的真實屬性標簽和真實文本標簽； attrj,objj分別表示所有預測的真實屬性標簽和真實文本標簽； attr,obj分別表示屬性和文本標簽； 是兼容性評分函數(shù)； ω、θ、τ、表示可學習參數(shù)； ys表示可見組合； S2，通過AOGN-CZSL模型中的兼容性學習空間P將基于文本信息的屬性特征和對象特征，以及基于圖像信息的屬性和對象進行送入兼容性學習，得到訓練完畢的AOGN-CZSL模型； S3，將待測的圖像或者文本輸入AOGN-CZSL模型，得到預測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人貴州大學，其通訊地址為：550000 貴州省貴陽市花溪區(qū)貴州大學；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。