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！

龙图腾网获悉电子科技大学申请的专利一种基于特征库构建的少样本图像识别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：CN116310621B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202211490992.1，技术领域涉及：G06V10/774；该发明授权一种基于特征库构建的少样本图像识别方法是由孟凡满;刘子敬;李宏亮;吴庆波;许林峰;潘力立设计研发完成，并于2022-11-25向国家知识产权局提交的专利申请。

本一种基于特征库构建的少样本图像识别方法在说明书摘要公布了：本发明公开了一种基于特征库构建的少样本图像识别方法，属于图像分类领域；本发明能够在新类别训练样本数量及其不足的情况下完成该类别中的新类别物体的识别任务。首先是基于通道的主属性微调方法，只关注高响应的通道进行再训练。其次为了对新类图像信息进行补充，通过对已知类别图片进行特征提取并建立相应的特征库。最后对少数新类样本通过已知类别特征库进行多次局部特征替换，达到生成新类伪样本的效果，能够有效完成在少样本条件下对新类物体的识别任务。

本发明授权一种基于特征库构建的少样本图像识别方法在权利要求书中公布了：1.一种基于特征库构建的少样本图像识别方法，包括如下步骤： 步骤1：基于已知类数据训练出一个能够有效提取针对已知类样本的特征提取网络；训练方法为： 步骤1.1：建立特征提取网络，该特征提取网络依次由四个卷积模块和最后的平均池化层构成，其中每个卷积模块有3个卷积层组成； 步骤1.2：在特征提取网络后通过两个平行结构的映射层构成双分支输出常规类别分类得分和旋转类别分类得分,分别用常规标签和人工设计的旋转标签进行约束，所述输出常规类别分类得分的平行结构映射层为常规监督分类分支，输出旋转类别分类得分的平行结构映射层为旋转自监督分支； 步骤1.3：采用常规监督分类分支使用数据标签对特征提取网络进行训练，使特征提取网络具有基本分类识别能力； 步骤1.4：采用旋转自监督分支对特征提取网络进行训练，特征提取网络输入的图像为已知类别图片按等比例进行0°、90°、180°、270°旋转后的图像，采用一起类别标签和旋转标签进行训练约束； 循环步骤1.3和步骤1.4，直到达到训练完毕的条件； 步骤1.5：保存特征提取网络； 步骤2：采用子任务训练方式对新的映射层进行训练； 步骤2.1：将步骤1保存的特征提取网络参数冻结，去除特征提取网络中最后一层平均池化层，然后在倒数第二层后建立新的映射层结构； 步骤2.2：对新的映射层结构的输出进行高响应的通道保持；将同一类别的两幅图像分别输入步骤2.1当前建立的网络，对网络的两次输出进行各点位特征相似度计算，采用损失函数1对相似的点位特征进一步加以约束，由此来训练新的映射网络； 其中，x1,x2分别表示同一类别的两幅图像对应网络的输出特征，下标i表示对应的输出通道，Q表示通道总数； 步骤2.3：在新的映射层后建立平均池化层，得到最终特征，采用损失函数2对新的映射层进行训练； 其中，N表示训练批次中的数据量，M表示总的类别数量，C表示类别，piC表示第i个样本对类别C的得分，yic表示第i个样本的类别C标签； 重复步骤2.2和步骤2.3，直到达到训练完毕的条件； 步骤3：构建特征库； 在训练好的特征提取网络删除平均池化层后连接步骤2训练好的新的映射层，得到新的特征提取网络，采用新的特征提取网络对所有图像进行特征提取，得到特征库； 步骤4：对新类样本进行增广； 步骤4.1：采用步骤3中新的特征提取网络对新类样本进行特征提取，得到新类样本特征； 步骤4.2：选取特征库中一个特征，将新类样本特征中每个点位特征与选取的特征的每个对应的点位特征进行相似度计算，选取相似度大于阈值的特征库中特征的点位特征替换新类样本特征对应位置的点位特征，得到增广特征； 步骤4.3：选取特征库中另一个特征，重复步骤2得到更多增广特征； 步骤5：将所有的增广特征与特征库中的特征一起进行聚类，得到每个类的聚类中心；对新得到的目标图像进行分类时，首先采用步骤3中新的特征提取网络进行特征提取，得到当前目标图像的特征，然后计算当前目标图像的特征与每个聚类中心进行距离计算，得到最终的分类。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区（西区）西源大道2006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。