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！

龙图腾网获悉中山大学申请的专利一种语义引导增广数据生成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：CN116109888B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310113193.0，技术领域涉及：G06V10/774；该发明授权一种语义引导增广数据生成的少样本图像识别方法是由吴贺丰;叶广智;周子扬;王青;林倞设计研发完成，并于2023-02-10向国家知识产权局提交的专利申请。

本一种语义引导增广数据生成的少样本图像识别方法在说明书摘要公布了：本发明公开了一种语义引导增广数据生成的少样本图像识别方法，如下：构建语义引导增广数据生成模型；实例级数据生成模块，针对支持集数据中每一个训练数据，利用类别激活映射方法进行局部语义注意力特征，同时利用语义嵌入融合生成全局语义注意力特征，生成增强后的支持集数据；原型级数据生成模块，针对支持集中每一个类别，根据语义空间上的距离度量，引导少样本类结合相关的基础类进行信息迁移，估计出少样本类的类型原型及相关分布，并在相关分布上采样得到增广样本数据；将增强后的支持集数据、增广样本数据与原始支持集结合，作为新的支持集对图像识别模型进行训练。

本发明授权一种语义引导增广数据生成的少样本图像识别方法在权利要求书中公布了：1.一种语义引导增广数据生成的少样本图像识别方法，其特征在于：所述的方法具体如下： 构建语义引导增广数据生成模型，包括实例级数据生成模块、原型级数据生成模块； 所述的实例级数据生成模块，利用实例级数据生成少样本类数据中的支持集数据，针对支持集数据中每一个训练数据，利用类别激活映射方法进行局部语义注意力特征，同时利用语义嵌入融合生成全局语义注意力特征，生成增强后的支持集数据； 所述的原型级数据生成模块，利用原型级数据生成少样本类数据中的支持集数据，针对支持集中每一个类别，根据语义空间上的距离度量，引导少样本类结合相关的基础类进行信息迁移，由此估计出少样本类的类型原型及相关分布，并在相关分布上进行采样得到增广样本数据； 最后，将增强后的支持集数据、增广样本数据与原始支持集结合，作为新的支持集对图像识别模型进行训练； 训练时，对于类别和对应的视觉特征，生成全局语义注意力特征，表示特征的维度； 其中，表示类别对应语义数据的语义特征；表示图像数据xi对应的视觉特征；表示全局注意力融合模型，是一个全连接层；表示基础类数据；为特征拼接操作； 接着将全局语义注意力特征应用于矫正原始支持集数据的视觉特征，实现增强原始的支持集数据： 其中，ReLU函数将特征保持为正，与特征提取器对齐；为正弦激活函数；为控制矫正力度的超参数； 利用原型级数据生成少样本类数据中的支持集数据，针对支持集中每一个类别，根据语义空间上的距离度量，引导少样本类结合相关的基础类进行信息迁移，由此估计出少样本类的类型原型，具体地：给定少样本类支持集图像数据和对应的类别； 先对图像数据的视觉特征进行Turkey幂阶梯转换； 然后计算数据与各个基础类的类别原型之间的视觉距离； 同时，计算数据与各个基础类类别的语义距离； 接下来，通过语义距离选择最相关的p个基础类，再在p个基础类中根据视觉距离选择最接近的q个基础类； 根据得到类别集，结合当前的少样本类数据生成新的少样本数据； 对于少样本类支持集的个训练数据，计算其特征原型均值； 估计出少样本类的相关分布，并在相关分布上进行采样得到增广样本，具体如下： 通过基础类别的协方差矩阵，融合计算少样本类的协方差矩阵，作为数据分布； 至此，根据语义、视觉融合度量的引导，估计得到针对少样本类类别的原型级相关分布，并在相关分布上进行高斯采样，生成特征级的增广样本数据。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。