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！

龙图腾网获悉大连理工大学申请的专利一种基于元特征的小样本学习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：CN115272688B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202210919656.8，技术领域涉及：G06V10/42；该发明授权一种基于元特征的小样本学习图像分类方法是由张宪超;双翼飞;张晓彤;刘晗;梁文新;刘馨月;李远刚设计研发完成，并于2022-08-02向国家知识产权局提交的专利申请。

本一种基于元特征的小样本学习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元特征的小样本学习图像分类方法，属于小样本学习图像分类领域。用于在只有少量有标签的图像样本场景，能够很好的完成分类任务。由于在度量图像特征表示之间的相似性时，会存在背景因素的干扰，导致分类准确率较差，同时在细粒度的任务中，由于样本量过少导致无法容易得区分两个相似类别的样本。所以本发明基于这个因素，提出了基于元特征的小样本学习方法，即在学习得到图像特征表示时，同时考虑到全局特征表示和局部特征表示，建立一个自适应调节的网络，让网络模型在粗细粒度的任务中，能根据任务调整对图像全局特征和局部特征的关注度。实验证明，本发现的方法相比传统方法能取得更好的结果。

本发明授权一种基于元特征的小样本学习图像分类方法在权利要求书中公布了：1.一种基于元特征的小样本学习图像分类方法，其特征在于，小样本学习图像分类方法基于所提取的一个元特征，使用两种方法度量样本间的相似性，分别获取局部特征和全局特征；然后通过元特征提取网络，将局部特征和全局特征的信息融合，提高特征表示的准确性；具体步骤如下： 步骤一、从小样本学习图像数据集中，按比例划分出训练集和测试集，并针对相应的小样本学习任务，随机采样并构建大量任务，每个任务包含支持集和查询集；每个小样本学习分类任务包括N个类别，每个类别K个样本；使用两层卷积网络Mσ，对图片x提取特征得到元特征m，m＝Mσx； 步骤二、元特征m分别通过局部特征处理网络和全局特征处理网络进行处理 2.1使用一个局部特征处理网络f对元特征m进行处理，得到处理后的局部特征表示mf＝fθm∈Rc×w×d，其中c为卷积后的通道数，w和d为每个通道中特征矩阵的长和宽；局部特征表示mf的局部特征描述符组成的集合为F指一个样本最后能得到的局部特征描述符的数量；每个小样本学习分类任务中，支持集中的一个类别一共有KF个局部特征描述符；对于需要分类的查询集样本得到局部特征表示使用k近邻的方法，度量查询集样本和支持集类别o之间的相似性， 余弦相似性用于度量局部特征描述符之间的距离，表示类别o的所有局部特征描述符中，和最相似的k个局部特征描述符中的第j个；计算查询集样本和支持集中所有类别之间的相似性后，得到关于查询集样本的软分类预测标签查询集中的所有样本和样本的真实标签y使用交叉熵损失， 其中yj表示第j个查询集的真实标签，1[yj＝o]表示当yj＝o则时取1，否则取0； 2.2使用一个全局特征处理网络g来对元特征m进行处理，得到处理后的全局特征表示mg＝gδm；对于每个类别，根据每个样本的全局特征表示计算代表该类别的全局特征表示，最后求平均；对于类别o，其全局特征表示为 其中So表示类别o的样本集，|So|则表示类别o中样本的数量，xi,yi表示样本的特征向量和标签； 然后使用欧几里得距离函数d·来获得两个样本在嵌入空间中的距离，查询集样本到类别i的距离分数组成一个距离分数向量dg，即 其中，ci表示类别i的全局特征表示之后，对求得的所有距离进行归一化操作，求得查询集样本属于某一个类别o的概率P， 使用交叉熵损失函数，即 步骤三、根据局部特征表示合全局特征表示的损失函数，使用加权求和的方式得到最后的损失函数，即 L＝αLf+βLg α和β都是正的超参数，用于调节两个特征度量部分的权重占比；最后的预测标签

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。