申请/专利权人:桂林电子科技大学
申请日:2023-12-11
公开(公告)日:2024-03-12
公开(公告)号:CN117689940A
主分类号:G06V10/764
分类号:G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0499
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.29#实质审查的生效;2024.03.12#公开
摘要:本发明公开了一种基于ViT融合LPOM优化方法的多模态图像分类方法,包括:将待分类图像输入ViT模型后,基于Transformer结构提取所述待分类图像的图像特征;基于文本嵌入层提取所述待分类图像的文本特征;将所述图像特征和所述文本特征进行融合得到图像多模态特征;基于LPOM优化后的编码器对所述图像多模态特征进行迭代处理,输出图像分类预测结果。本发明通过引用LPOM来优化ViT模型,能够提高ViT模型的泛化能力,进而提升整体模型的的鲁棒性和泛化能力,提升模型对图片分类的准确率。
主权项:1.一种基于ViT融合LPOM优化方法的多模态图像分类方法,其特征在于,包括以下步骤:将待分类图像输入ViT模型后,基于Transformer结构提取所述待分类图像的图像特征;基于文本嵌入层提取所述待分类图像的文本特征;将所述图像特征和所述文本特征进行融合得到图像多模态特征;基于LPOM优化后的编码器对所述图像多模态特征进行迭代处理,输出图像分类预测结果。
全文数据:
权利要求:
百度查询: 桂林电子科技大学 基于ViT融合LPOM优化方法的多模态图像分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。