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！

龙图腾网获悉西北工业大学申请的专利一种基于学习者集成策略的少样本语义分割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：CN115546474B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202210738945.8，技术领域涉及：G06V10/26；该发明授权一种基于学习者集成策略的少样本语义分割方法是由程塨;郎春博;屠斌飞;韩军伟;郭雷设计研发完成，并于2022-06-25向国家知识产权局提交的专利申请。

本一种基于学习者集成策略的少样本语义分割方法在说明书摘要公布了：本发明涉及一种基于学习者集成策略的少样本语义分割方法，针对以往相关工作存在基类偏置的问题，即易错误激活基类目标区域，本发明提出在传统模型元学习者的基础上引入一个额外的辅助分支基学习者去显式地识别基类目标，随后自适应地集成两个学习者的粗预测结果以产生精准的分割掩码。考虑到元学习者的敏感性，本发明进一步引入调整因子来估计输入图像间的差异，以促进模型集成推理。总的来说，本发明为改善现有少样本分割模型对基类目标错误激活的问题提供了一个新颖且通用的解决方案，并不局限于某一个基学习者和元学习者，显著提升现有分割网络性能的同时并能够扩展至更实际且具有挑战性的广义设置，展现出较好的应用前景与潜力。

本发明授权一种基于学习者集成策略的少样本语义分割方法在权利要求书中公布了：1.一种基于学习者集成策略的少样本语义分割方法，其特征在于步骤如下： 步骤1、构建网络：第一个网络为一个特征提取网络，一个输出端连接基学习者网络和另一个元学习者网络，特征提取网络的另一个输出端连接元学习者网络；基学习者网络和元学习者网络输出连接集成模块； 步骤2、网络训练： 步骤a：给定一幅查询图像其首先经过与元学习者共用的特征提取网络E·以及额外的卷积块以获得中间特征图这个过程为： 其中，Fconv·表示连续的卷积操作，其代表最后一个卷积块；c,h,w分别代表通道、高度以及宽度的维度，并且h×w表示所有提取的特征中最小的空间分辨率； 步骤b：随后，解码器网络Db·逐步增大中间特征图的空间尺度以丰富细节相关的分割线索，并最终产生预测结果，上述过程可以被定义为： 其中，softmax·操作沿着通道维度执行以生成预测概率图pb，Nb代表当前数据划分中基类的数目；解码器网络Db·中包含用于提高感受野的金字塔池化模块、整合各尺度特征的卷积层以及由1×1卷积组成的输出层； 步骤c：给定一个支持集合S＝{xs,ms}和一幅查询图像元学习者的目标是在支持集合S的引导下分割查询图像中与标注掩码ms同类别的物体；在利用骨干网络提取支持与查询图像特征后，紧接着一个1×1卷积层被添加以降低通道维度并产生中间特征图，该过程为： 其中，E·代表与基类学习者共用的特征提取网络，F1×1·是将输入特征维度编码至更低维度的1×1卷积；和分别代表经过骨干网络以及1×1卷积后提取的支持图像与查询图像的中间特征图； 步骤d：利用了掩码平均池化方法，根据支持特征图及其对应掩码ms计算出类别相关的重要分割线索，称为原型vs，该过程为： 其中，Fpool·代表平均池化操作，⊙代表哈达玛积，I·是一个能够通过插值和膨胀技术将支持图像掩码变换成与支持图像特征相同形状大小的函数，表示为I: 步骤e：查询图像特征中的目标区域在支持原型vs的引导下得到了有效地激活，其经过元学习者的解码器后同样得到了分割预测，上述过程为： 其中，Dm·表示元学习者的解码器网络，由空洞金字塔池化模块及2个带有残差连接的卷积层所组成；Fguidance·是少样本语义分割任务中的模块，起到从支持分支向查询分支传递标注信息的作用，以提供特异化的分割线索； 步骤f：利用支持-查询图像对间场景差异的评估结果来调整由元学习者产生的粗预测；具体地，首先对基学习者所产生的前景概率图进行整合以获得相对于少样本语义分割任务的背景区域的预测，该过程为： 其中，的上标“f”代表前景，下标“b”代表基学习者； 步骤g：利用从固定的骨干网络中提取的低层级特征计算Gram风格矩阵： 其中，N＝H1×W1；Freshape·将输入张量的大小转换为C1×N，在分别计算出两特征对应的Gram矩阵Gs,Gq后，对其差值矩阵Gs-Gq评估F范数值以获得用于指导调整过程的综合指标ψ，上述过程为： ψ＝||Gs-Gq||F,10 其中，||·||F代表输入矩阵的F范数值； 步骤h：基学习者与元学习者所产生的粗结果在调节因子ψ的引导下进行集成，产生了精细的分割预测pf，该过程为： 其中，pm,pb分别代表元学习者和基学习者的预测结果，上标“0”和“1”分别代表背景和前景，Fensemble·和Fψ·均为带有特定初始化参数的1×1卷积操作，代表沿通道维度的级联操作； 步骤i：采用交叉熵损失来评估模型在所有空间位置h×w上的预测结果与真值的差异性，该过程为： 其中，nbs是每一批训练数据中样本的数目， 类似基学习者的训练方式，元学习者的损失函数同样采用交叉熵损失，多类别交叉熵损失被调整为二元交叉熵损失以评估模型预测pm与真值mq的差异性，该过程为： 其中，ne是每一批数据中训练情景的数目； 元训练阶段的总损失包括元学习器的预测损失以及经过集成模块后预测结果与真值的最终损失Lfinal，为： L＝Lfinal+λLmeta,15 其中，λ为损失函数调节因子，被设置为1.0，其大小可用来控制元学习者与集成模块间的相对学习速度； 重复步骤a～步骤i； 步骤3、网络推理：网络的推理过程仅包含步骤a～步骤h，无需步骤i中计算损失和反向传播的过程。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。