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

龍圖騰網(wǎng)獲悉合肥市正茂科技有限公司申請(qǐng)的專利基于全局感知圖卷積的目標(biāo)識(shí)別及模型訓(xùn)練方法和裝置獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120259785B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-26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(qǐng)?zhí)?專利號(hào)為：202510732936.1，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于全局感知圖卷積的目標(biāo)識(shí)別及模型訓(xùn)練方法和裝置是由何志強(qiáng);李達(dá);陳偉偉;孟強(qiáng);王見知;張秀;汪海峰設(shè)計(jì)研發(fā)完成，并于2025-06-04向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于全局感知圖卷積的目標(biāo)識(shí)別及模型訓(xùn)練方法和裝置在說(shuō)明書摘要公布了：本申請(qǐng)涉及目標(biāo)識(shí)別技術(shù)領(lǐng)域，特別涉及一種基于全局感知圖卷積的目標(biāo)識(shí)別及模型訓(xùn)練方法和裝置。訓(xùn)練方法包括：獲取樣本圖像和類別標(biāo)簽，統(tǒng)計(jì)所有樣本圖像中具有一種或兩種相同類別標(biāo)簽共現(xiàn)概率，生成標(biāo)簽鄰接矩陣；將樣本圖像輸入特征提取網(wǎng)得到第一圖像特征，基于第一圖像特征的各個(gè)局部特征生成對(duì)應(yīng)第一鄰接矩陣；將第一圖像特征和第一鄰接矩陣輸入第一圖卷積網(wǎng)絡(luò)得到第二圖像特征；將第一圖像特征、第二圖像特征融合后和標(biāo)簽鄰接矩陣輸入第二圖卷積網(wǎng)絡(luò)，得到目標(biāo)物體的預(yù)測(cè)類別；計(jì)算預(yù)測(cè)類別與類別標(biāo)簽的差異度，調(diào)整模型的參數(shù)，得到訓(xùn)練好的目標(biāo)識(shí)別模型。本申請(qǐng)改善了傳統(tǒng)分類網(wǎng)絡(luò)方法針對(duì)復(fù)雜場(chǎng)景下難以兼顧分類準(zhǔn)確度和效率的問(wèn)題。

本發(fā)明授權(quán)基于全局感知圖卷積的目標(biāo)識(shí)別及模型訓(xùn)練方法和裝置在權(quán)利要求書中公布了：1.一種基于全局感知圖卷積的目標(biāo)識(shí)別模型訓(xùn)練方法，其特征在于，所述訓(xùn)練方法包括： 獲取樣本圖像和對(duì)應(yīng)的類別標(biāo)簽，并統(tǒng)計(jì)所有樣本圖像中同時(shí)具有兩種相同類別標(biāo)簽的共現(xiàn)概率，生成標(biāo)簽鄰接矩陣；其中，每個(gè)樣本圖像對(duì)應(yīng)至少一種類別標(biāo)簽，類別標(biāo)簽用于表征樣本圖像中目標(biāo)物體的類別； 將所述樣本圖像輸入至目標(biāo)識(shí)別模型的特征提取網(wǎng)絡(luò)，對(duì)所述樣本圖像進(jìn)行特征提取，得到第一圖像特征，并基于所述第一圖像特征的各個(gè)局部特征，構(gòu)建對(duì)應(yīng)所述樣本圖像的圖結(jié)構(gòu)并生成對(duì)應(yīng)的第一鄰接矩陣；其中，所述第一圖像特征包括多個(gè)局部特征，每一個(gè)局部特征對(duì)應(yīng)樣本圖像的一個(gè)預(yù)設(shè)區(qū)域，所述特征提取網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)； 將所述第一圖像特征和對(duì)應(yīng)的所述第一鄰接矩陣輸入至所述目標(biāo)識(shí)別模型的第一圖卷積網(wǎng)絡(luò)進(jìn)行圖卷積操作，得到第二圖像特征； 將所述第一圖像特征、所述第二圖像特征輸入至所述目標(biāo)識(shí)別模型的融合網(wǎng)絡(luò)進(jìn)行特征融合，得到融合特征； 將所述融合特征和所述標(biāo)簽鄰接矩陣輸入至所述目標(biāo)識(shí)別模型的第二圖卷積網(wǎng)絡(luò)進(jìn)行圖卷積操作，識(shí)別出所述樣本圖像中的目標(biāo)物體，得到目標(biāo)物體的預(yù)測(cè)類別，包括： 將所述標(biāo)簽鄰接矩陣輸入至圖卷積層，對(duì)所述標(biāo)簽鄰接矩陣進(jìn)行預(yù)設(shè)次數(shù)的矩陣冪運(yùn)算，并在每一次矩陣冪運(yùn)算后保存該階數(shù)下的標(biāo)簽鄰接矩陣； 將所有階數(shù)下的標(biāo)簽鄰接矩陣進(jìn)行累加，得到融合矩陣； 基于所述融合矩陣對(duì)所述融合特征進(jìn)行特征傳播，生成圖卷積特征； 所述將所有階數(shù)下的標(biāo)簽鄰接矩陣進(jìn)行累加，得到融合矩陣，包括：基于衰減因子將對(duì)應(yīng)階數(shù)下的標(biāo)簽鄰接矩陣進(jìn)行加權(quán)求和，得到融合矩陣；其中，衰減因子是通過(guò)初始化得到的，并在目標(biāo)識(shí)別模型訓(xùn)練過(guò)程中進(jìn)行更新，且初始的衰減因子設(shè)置為與對(duì)應(yīng)的階數(shù)成反比； 計(jì)算所述預(yù)測(cè)類別與類別標(biāo)簽的差異度，并基于差異度調(diào)整所述目標(biāo)識(shí)別模型的參數(shù)，得到訓(xùn)練好的目標(biāo)識(shí)別模型。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人合肥市正茂科技有限公司，其通訊地址為：230000 安徽省合肥市高新區(qū)科學(xué)大道92號(hào)；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)”。