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！

龙图腾网获悉安徽大学申请的专利基于多特征密集连接注意力增强网络的足迹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：CN115687679B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202211428910.0，技术领域涉及：G06F16/583；该发明授权基于多特征密集连接注意力增强网络的足迹图像检索方法是由朱明;田中干;王年;唐俊;鲍文霞;张艳;傅枭鑫;骆刚设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本基于多特征密集连接注意力增强网络的足迹图像检索方法在说明书摘要公布了：本发明公开了一种基于多特征密集连接注意力增强网络的足迹图像检索方法，其步骤包括：1、足迹图像数据集的采集和预处理；2、建立基于多特征密集连接注意力增强网络的足迹图像检索模型，包括：初始特征提取模块、多特征密集连接网络模块、多尺度特征融合模块、注意力增强模块、特征输出模块；3、对足迹图像检索模型进行训练。本发明能更深入的挖掘足迹图像信息的细节特征，从而能提高足迹图像的检索准确率和速度。

本发明授权基于多特征密集连接注意力增强网络的足迹图像检索方法在权利要求书中公布了：1.一种多特征密集连接注意力增强网络的足迹图像检索方法，其特征在于，是按照以下步骤进行： 步骤1：在光学足迹采集仪器上采集T个测试对象的足迹图像集并进行滤波去噪、尺寸缩放、水平翻转和随机仿射变换处理，得到处理后的样本集记为，其中，表示第m位采集对象处理后的足迹样本集，M表示采集对象总数，，且，表示第m位采集对象处理后的第k张足迹图像；K表示足迹图像的总数； 步骤2：建立基于多特征密集连接注意力增强网络的足迹图像检索网络，包括：初始特征提取模块、多特征密集连接网络模块、多尺度特征融合模块、注意力增强模块和特征输出模块； 步骤2.1：建立初始特征提取模块，依次包括：一层卷积层、一层批归一化层、一层激活层和一层池化层，并选用高斯随机初始化方法对所述初始特征提取模块中的卷积层进行初始化权值； 所述第k张足迹图像输入足迹图像检索网络中，并经过所述初始特征提取模块的处理后，得到第k张足迹图像的初始足迹特征； 步骤2.2：构建多特征密集连接网络模块，包括：R个密集连接层和R个转换层，其中，任意第r个密集连接层依次包含n个卷积核为的卷积层和n个卷积核为的卷积层；任意第r个转换层模块依次包括一个卷积核为的卷积层和一个卷积核为的平均池化层； 当r=1时，所述第k张足迹图像的初始足迹特征经过第r个密集连接层的处理后，得到第r层密集连接特征，再通过第r个转换层的处理后得到第r层密集连接特征； 当r=2,3,…,R时，第r-1个密集连接特征经过第r个密集层和第r个转换层的处理后，得到第r个密集连接特征，从而由第R个转换层输出第R个密集连接特征； 步骤2.3：构建多尺度特征融合模块，依次包括：m个卷积核为的卷积层、m个卷积核为的卷积层； 所述第R个密集连接特征输入所述多尺度特征融合模块中，依次经过m个卷积核为的卷积层、m个卷积核为的卷积层的处理后，得到高层特征，再利用内插值对高层进行上采样后，得到上采样特征，最后将上采样特征与第R-1层密集连接特征融合后，得到第k个图像的多尺度融合特征； 步骤2.4：构建注意力增强模块，包括：一个全局池化层，两个全连接层和一个回归函数；将第R-1个密集连接特征、第R个密集连接特征和多尺度融合特征分别输入到注意力增强模块中，并依次经过全局池化层、两个全连接层的处理后，得到的结果再通过回归函数进行权重加权，最终得到对应的第m位测试对象的第k张足迹图像的第R-1层密集连接注意力特征向量，第m位测试对象的第k张足迹图像的第R层密集连接注意力特征向量，第m位测试对象的第k张足迹图像的多尺度融合特征向量； 步骤2.5：建立特征输出模块，包括：平均池化层和全连接层； 所述第R个密集连接特征依次经过经过平均池化层和全连接层得到的输出特征作为最终表达，测试时作为表征向量进行检索； 步骤3：构建损失函数： 步骤3.1：利用式1建立损失函数： 1 式1中，表示第o位测试对象的第k张足迹图像的第R-1层密集连接注意力特征向量，表示第m位测试对象的第q张足迹图像的第R-1层密集连接注意力特征向量；,； 步骤3.2：利用式2建立损失函数： 2 式2中，表示第o位测试对象的第k张图像的第R层密集连接注意力特征向量，表示第m位测试对象的第q张图像的第R层密集连接注意力特征向量； 步骤3.3：利用式3建立损失函数： 3 式3中，表示第o位测试对象的第k张图像的多尺度融合注意力特征向量，表示第m位测试对象的第q张图像的金字塔融合注意力特征向量； 步骤3.3：利用式4建立总损失函数： 4 步骤4：基于处理后的样本集，采用梯度下降法对足迹图像检索网络进行训练，并计算总损失函数以更新网络参数，直到总损失函数收敛为止，从而得到训练后的足迹图像检索模型，用于对待检索的足迹图像进行足迹检索和匹配。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。