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！

龙图腾网获悉西安邮电大学申请的专利基于双度量网络的小样本细粒度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：CN117079049B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202311096363.5，技术领域涉及：G06V10/764；该发明授权基于双度量网络的小样本细粒度图像分类方法是由刘颖;白依伦;宋朝琦;公衍超;王富平;许志杰设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本基于双度量网络的小样本细粒度图像分类方法在说明书摘要公布了：一种基于双度量网络的小样本细粒度图像分类方法，由构建小样本数据集、构建双度量网络、训练双度量网络、保存模型、验证双度量网络、测试双度量网络步骤组成，该方法使用空间‑通道注意力模块使网络关注图像中具有区分力的重点区域，使用全局特征度量网络和局部特征度量网络，对增强后的特征分别确定全局相似度以及基于局部描述符的局部相似度、并将两种相似度结合得出最终相似度进行分类。在训练网络步骤中，采用了三元组损失函数和交叉熵损失函数进行训练，解决了现有方法在数据量不足时容易过拟合的问题。本发明具有使用样本量少、分类速度快、分类准确率高等优点，可用于小样本细粒度图像分类。

本发明授权基于双度量网络的小样本细粒度图像分类方法在权利要求书中公布了：1.一种基于双度量网络的小样本细粒度图像分类方法，其特征由下述步骤组成： 1构建小样本数据集 采用公共数据集CUB-200，StanfordDogs，StanfordCars以及自建数据集CIIP-TPID作为实验数据集，将CUB-200、StanfordDogs、StanfordCars数据集图像的大小处理为84×84像素，CIIP-TPID数据集图像的大小处理为48×48像素，按照8：1：1的比例将数据集划分为训练集、验证集、测试集，训练集、验证集、测试集中图像类别互不交叉，每一类的图像互不相同； 在训练集、验证集和测试集中，随机选取W个图像类别，从W个类别中，分别随机选取K+X个样本，X是不为0的正整数，其中K个样本作为支持集S，X个样本作为查询集Q，支持集S和查询集Q类别相同，类内样本不同，1个支持集S和1个查询集Q构成1个分类单元，将训练集、验证集、测试集划分为R个分类单元，W、K、X、S、Q、R为有限的正整数； 2构建双度量网络 双度量网络由特征嵌入模块与空间-通道注意力模块串联，空间-通道注意力模块的输出端分别与全局特征度量网络、局部特征度量网络连接构成； 所述的特征嵌入模块由卷积层1与4～12个残差块、平均池化层1、批量归一化层1、全连接层1依次串联构成； 3训练双度量网络 1确定目标函数 目标函数包括三元组损失函数L1、交叉熵损失函数L2、评价函数ACC；按下式确定三元组损失函数L1： 其中，a表示查询样本，p表示属于查询集类别的样本，n表示与查询集类别不同的样本，表示特征嵌入模块中的不同样本，N为样本总数，N为有限的正整数； 按下式确定交叉熵损失函数L2： 其中，yi是样本的真实标签的，pi是网络模型预测的样本属于第i类的概率； 按下式确定评价函数ACC： 其中，TP表示正例预测正确个数，FN表示正例预测错误个数，TN表示负例预测正确的个数，FP表示负例预测错误的个数，TP与FP、TN、FN的和为总样本数，TP与TN的和为预测正确的样本数，FN与FP的和为预测错误的样本数，TP，FP，TN，FN∈M，M为有限的正整数，且TP，FP，TM，FN不同时为0； 2训练双度量网络 将训练集中的支持集S和查询集Q输入到双度量网络进行训练，训练过程采用Adam优化器，学习率初始化为0.001，进行150个轮次训练，每个轮次的迭代过程中进行100次参数学习，每训练30个轮次将学习率降低一半，使用提前终止的方法监测双度量网络训练过程中的过拟合现象； 4保存模型 在训练双度量网络过程中，不断更新权重，保存权重文件； 5验证双度量网络 将验证集中的支持集S和查询集Q输入到训练后的双度量网络中进行验证； 6测试双度量网络 将测试集中的支持集S和查询集Q输入到训练后的双度量网络中进行测试，加载保存的权重文件，得到图像的分类。

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西安邮电大学，其通讯地址为：710121 陕西省西安市长安区韦郭路西安邮电大学南校区；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。