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！

龙图腾网获悉北京理工大学申请的专利一种空间相关性引导的原型蒸馏小样本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：CN117152504B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202311069311.9，技术领域涉及：G06V10/764；该发明授权一种空间相关性引导的原型蒸馏小样本分类方法是由庄胤;刘雨晴;陈禾;张桐;倪润峰;周天行;张志成;陈亮设计研发完成，并于2023-08-23向国家知识产权局提交的专利申请。

本一种空间相关性引导的原型蒸馏小样本分类方法在说明书摘要公布了：本发明公开了一种空间相关性引导的原型蒸馏小样本分类方法，包括利用无标签光学遥感图像对CNN‑ViT双分支混合异构网络模型进行自监督预训练，以获得自监督预训练后的CNN‑ViT双分支混合异构网络模型；利用有标签光学遥感图像的模式特征、上下文关系特征和空间特征对上述网络模型进行元训练，以获得用于小样本分类的CNN‑ViT双分支混合异构网络模型；将待分类光学遥感图像输入用于小样本分类的CNN‑ViT双分支混合异构网络模型，以获得待分类光学遥感数据的分类结果。本发明可有效捕获潜在的空间判别性语义信息，提高小样本条件下光学遥感图像分类性能，解决了在有限样本条件下的鲁棒性特征表征能力差、容易过拟合的问题。

本发明授权一种空间相关性引导的原型蒸馏小样本分类方法在权利要求书中公布了：1.一种空间相关性引导的原型蒸馏小样本分类方法，其特征在于， 利用无标签光学遥感图像对CNN-ViT双分支混合异构网络模型进行自监督预训练，以获得所述自监督预训练后的CNN-ViT双分支混合异构网络模型；其中，所述CNN-ViT双分支混合异构网络模型包括CNN分支和ViT分支； 所述利用无标签光学遥感图像对CNN-ViT双分支混合异构网络模型进行自监督预训练包括： 分别对所述CNN分支和所述ViT分支进行自监督预训练； 所述CNN分支采用MOCO对比学习的方式进行自监督预训练，所述ViT分支采用MAE遮罩预测的方式进行自监督预训练； 利用有标签光学遥感图像的模式特征、上下文关系特征和空间特征中对所述自监督预训练后的CNN-ViT双分支混合异构网络模型进行元训练，以获得所述用于小样本分类的CNN-ViT双分支混合异构网络模型；其中，所述标签指示所述光学遥感图像的场景类别； 所述利用有标签光学遥感图像的模式特征、上下文关系特征和空间特征对所述自监督预训练后的CNN-ViT双分支混合异构网络模型进行元训练包括： 在所述有标签光学遥感图像上构造第一数目个任务，每个所述任务包括支持集和查询集； 将所述有标签光学遥感图像输入所述自监督预训练后的CNN-ViT双分支混合异构网络模型，经过特征提取，以获得模式特征、上下文关系特征和空间特征；其中，所述模式特征指示CNN分支提取到的高维模式信息，所述上下文关系特征指示ViT分支提取到的上下文关系信息，所述空间特征指示CNN分支中提取到的空间分布信息； 利用所述空间特征计算所述支持集和所述查询集的空间特征相关性，所述空间特征相关性指示空间特征的相关程度，相关程度高的位置为判别性强的部分； 利用所述空间特征相关性对所述上下文关系特征进行重加权处理，以获得重加权后的上下文关系特征； 基于所述模式特征和所述重加权后的上下文关系分别进行求均值处理，以获得ViT分支原型和CNN分支原型；其中，一个类别分别对应一个所述ViT分支原型和一个所述CNN分支原型； 对所述ViT分支原型和所述CNN分支原型进行原型蒸馏； 以及基于所述标签信息优化所述自监督预训练后的CNN-ViT双分支混合异构网络模型，以获得所述用于小样本分类的CNN-ViT双分支混合异构网络模型； 以及将待分类光学遥感图像输入所述用于小样本分类的CNN-ViT双分支混合异构网络模型，以获得所述待分类光学遥感数据的分类结果，所述分类结果指示所述待分类光学遥感图像的场景类别。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。