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！

龙图腾网获悉东南大学申请的专利一种基于元学习方法的小样本目标检测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：CN116597244B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310365243.4，技术领域涉及：G06V10/774；该发明授权一种基于元学习方法的小样本目标检测方法是由杨绿溪;许诺;刘周勇;俞科栋;王潇祎设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本一种基于元学习方法的小样本目标检测方法在说明书摘要公布了：本发明公开了一种基于元学习方法的小样本目标检测方法，可实现小样本条件下的精确目标检测。发明主要包括：获取公开的目标检测数据集，进而构建训练集和测试集；构建基于元学习MetaLearning的小样本目标检测网络；使用训练集和测试集对基于元学习的小样本目标检测算法进行训练、验证与测试。本发明与当前主要的小样本目标检测算法相比，能够克服训练过程中对某些特定的样本类别的过拟合和欠拟合，同时在所有样本类别上有更高的检测精度，是一种更加高效及精确的小样本目标检测算法。

本发明授权一种基于元学习方法的小样本目标检测方法在权利要求书中公布了：1.一种基于元学习方法的小样本目标检测方法，其特征在于，该方法包括如下步骤： 步骤S1：获取小样本目标检测数据集，构建训练集和测试集； 步骤S2：构建基于元学习的小样本目标检测网络； 步骤S3：构建每个数据集的索引图，同时构建基于不同策略的数据采样器，进而根据不同任务采样生成任务样本； 步骤S4：进行小样本目标检测的元训练阶段，在训练过程中使用修正标准差平衡算子策略平衡各个损失的权重； 步骤S5：进行小样本目标检测的元测试阶段，将训练好的模型在小样本测试集上微调并验证目标检测性能； 所述步骤S1中小样本目标检测数据集包含数据集VOC； 所述步骤S2中所构建的一种基于元学习方法的小样本目标检测算网络包括特征提取模块、特征融合模块、分类模块和回归模块； 所述步骤S3中所述构建每个数据集的索引图是一个字典{key1:value1,key2:value2,…,keyn:valuen}，其中键key是数据集的所有种类，每个键对应的值是每个种类对应于数据集中的所有图像索引号，同时数据采样器也要根据不同的组别将数据集划分为训练数据集Dtrain和测试数据集Dtest； 所述步骤S4具体包括： 步骤S401：将数据采集器从训练集中采集到的样本随机划分为支持集Si和查询集Qi，并进行预处理利用插值算法将输入图像和对应的真实标签的大小调整为H×W，H表示图像高度，W表示图像宽度，随后进行图像数据增强处理； 步骤S402：将预处理后的支持集Si共n×k张图片传入进行一次前向传播，将前向传播结果与样本标签输入到损失函数FocalLoss和Smooth分别计算得到分类损失与回归的损失并相加得到总损失 步骤S403：对总损失运用链式求导法则得到每个参数的梯度值并将梯度值与内层学习率α相乘更新模型的参数： 步骤S404：类比步骤S403，使用更新后的参数以及支持集Si一共进行nstep次更新得到最新的参数完成任务中使用支持集Si进行训练的过程； 步骤S405：用任务中查询集Qi进行一次推理并计算损失并将此损失进行保存，完成元训练阶段一个任务所有元学习流程； 步骤S406：重复ntask个任务的元训练过程步骤S401-步骤S405，获得ntask个损失并对这ntask个损失输入到方差平衡优化器FSDBO中，得到此批次最终的损失函数对进行反向传播，使用Adam优化器根据设定的学习率β对一开始元模型的参数梯度下降与参数更新，完成一次梯度更新； 方差平衡优化器FSDBO具体实现为，在一个批次的任务内，首先得到同一批次所有任务在查询集上的损失{li,i＝1,2,…,N}，N为此批次所有任务的总数，并计算出所有损失的均值根据计算得到此批次所有任务损失的标准方差v2： 将得到的方差σ2乘以调制因子η，对于每个{li}，计算其是否在区间内，若高于此区间，则认为模型在任务上训练性能太差出现欠拟合现象，而若低于此区间，则认为模型对产生过拟合，因此只保留在区间内的任务损失值并对进行求均值得到此批次的元学习损失值并将损失值进行反向传播，更新元模型参数。

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东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路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”。

以上内容由龙图腾AI智能生成。