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！

龙图腾网获悉浙江工业大学申请的专利一种基于特征融合的结核性视网膜OCT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：CN116959083B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202310494328.2，技术领域涉及：G06V40/18；该发明授权一种基于特征融合的结核性视网膜OCT图像分类方法是由王丽萍;陈涛设计研发完成，并于2023-05-05向国家知识产权局提交的专利申请。

本一种基于特征融合的结核性视网膜OCT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特征融合的结核性视网膜OCT图像分类方法，包括步骤一：获取结核性视网膜OCT图像；步骤二：图像预处理；步骤三：构建多个基准神经网络；步骤四：在多个基准网络中添加多尺度门控通道注意力机制，利用神经网络的学习来获取特征通道之间的重要程度，以此来加强对分类任务有益的特征并抑制无益特征。步骤五：训练和测试：通过多次的对比实验，找到各个网络结构最优参数下的最优模型；步骤六：模型融合；本发明利用多层卷积神经网络和门控注意力机制构造基础学习器充当特征提取器，再融合不同模型提取出来的图像特征，将融合后的特征输入至支持向量机中进行进一步的分类和预测，从而进一步提高结核性视网膜OCT图像分类的精度。

本发明授权一种基于特征融合的结核性视网膜OCT图像分类方法在权利要求书中公布了：1.一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，包括如下步骤： 步骤1：获取结核性视网膜OCT图像，按照比例分为训练集、验证集和测试集； 步骤2：图像预处理：对原始图像进行降噪处理，并对降噪后的图像进行数据增强操作，包括缩放、随机裁剪、旋转、垂直翻转、水平翻转以及批量归一化，以保证模型的泛化能力； 步骤3：构建基础网络模型； 步骤4：在基础网络模型中添加多尺度门控通道注意力机制，利用神经网络的学习来获取特征通道之间的重要程度，以此来加强对分类任务有益的特征并抑制无益的特征； 步骤4中具体过程如下： 门控注意力机制通过多尺度门控注意力通道模块GCT-A来实现，多尺度门控注意力通道模块GCT-A包含三个部分，全局上下文嵌入模块、通道归一化模块和门控自适应模块； 全局上下文嵌入模块中使用3个大小不同的卷积核，分别为1×1,3×3和5×5，其中，1×1卷积核用于调整通道数以适应后续卷积操作的需求；3×3和5×5分别用于捕获不同大小的感受野以覆盖更广范围的全局上下文信息，从而避免陷入局部语义歧义，聚合每个通道中的全局上下文信息，具体定义如下所示： 1 其中参数α定义为α=[α1,α2,...,αc]，当αn接近0时，该通道则不参与通道归一化，Xc表示特征图的通道，H表示特征图的高度，W表示特征图的宽度，表示特征图中第i行第j列的所有通道，而p表示p-norm，采用1-norm和2-norm组成双尺度，同时为了避免零点处求导问题的发生，引入了一个极小常数ɛ； 为了在神经元和通道之间建立起竞争的关系，通过使用BatchNorm归一化来进行通道归一化，具体的定义如下所示： 2 对于每一个通道C，将特征图中的每一个像素都看做一个C维的向量SC，再对向量SC进行BatchNorm归一化，C表示特征图的通道数，的作用是将BatchNorm归一化后的特征向量除以一个与通道数C相关的缩放因子，以保持特征向量的幅值不变，最终求得的是经过1-norm和2-norm聚合全局信息后的通道重要性； 融合两种方式计算出的通道重要性，得到最终的归一化向量，以获得更好的性能和稳定性，融合公式如下所示： 3 当一个通道的门控机制被积极激活的时候，门控机制促进该通道与其他通道进行竞争，反之当被消极激活的时候，门控机制促进该通道与其他通道进行合作，具体的定义如下所示： 4 其中XC为原始通道C的特征图，relu为线性整流函数，权重γ定义为[γ1,γ2,...,γc]，权重β定义为[β1,β2,...,βc]，且当门控权重γ和门控偏置β均为0的时候，原始特征无损传递到下一层，因此，GCT能够有效地解决深层网络导致的退化问题； 最终，GCT-A模块的激活特征表示为： 5 其中，α，γ，β表示可训练的参数，α用于负责自适应嵌入的输出，门控权重γ和偏置β则负责控制门的激活，这三个参数决定了GCT-A在每个通道的行为表现；在这一公式下，GCT-A的计算复杂度仅仅为OC，低于SENet的OC2，是因为SENet使用了两个全连接层，C为通道数；因此，GCT-A在增加少量参数的情况下大大加快了收敛速度以及精度； 步骤5：训练和测试：通过多次的对比实验，找到各个网络结构最优参数下的最优模型； 步骤6：模型融合：将原始图像数据集输入至训练好的最优模型中，得到不同模型下的图像特征，再在特征维度进行级联，完成特征融合，并构建特征数据集，最后输入至支持向量机中进行进一步的分类训练。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。