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！

龙图腾网获悉广西科学院;湖南理工学院申请的专利小样本条件下基于孪生神经网络的海洋承灾体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：CN116152678B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202211531447.2，技术领域涉及：G06V20/17；该发明授权小样本条件下基于孪生神经网络的海洋承灾体识别方法是由文莉莉;邬满;柯友刚;李宛怡;赖俊翔;许贵林;严小敏设计研发完成，并于2022-12-01向国家知识产权局提交的专利申请。

本小样本条件下基于孪生神经网络的海洋承灾体识别方法在说明书摘要公布了：一种小样本条件下基于孪生神经网络的海洋承灾体识别方法，建立影像样本库；通过数据增强方法对样本库进行扩充；对样本进行标注；引入注意力机制SKNet网络，结合ResNet101网络构建主干特征提取网络；基于主干特征提取网络，构建双路结构相同、权值共享的孪生神经网络；对输入数据用孪生神经网络进行特征提取；通过损失函数计算双路特征向量的距离；输出所属的海洋承灾体类别信息。本发明针对海洋承灾体多尺度、多样性、样本少等特点，通过将卷积网络与改进的三通道SKNet网络相结合，增强了算法的特征提取能力与特征有效性，提升了算法对小样本、多尺度目标的自适应能力，更适用于对小样本条件下海洋承灾体的识别分类。

本发明授权小样本条件下基于孪生神经网络的海洋承灾体识别方法在权利要求书中公布了：1.一种小样本条件下基于孪生神经网络的海洋承灾体识别方法，其特征包括下述步骤： 步骤S1、利用无人机对典型海洋承灾体进行精细化数据采集，结合卫星遥感图像，建立其图像数据集，包括目标图像和标注信息； 步骤S2、通过随机角度旋转、随机裁剪、对比度调整、灰度均衡方法对样本库进行数据增强； 步骤S3、引入注意力机制，基于卷积神经网络设计主干特征提取网络，实现图像特征的提取；通过SKNet和卷积神经网络的多重组合，进行图像特征提取，得到特征图，所述的卷积神经网络算法为ResNet101； 步骤S4、基于主干特征提取网络，构建孪生神经网络结构，该网络有两个输入，利用神经网络将输入映射到新的空间，形成输入在新的空间中的表示； 步骤S5、使用样本库对网络参数进行训练，得到海洋承灾体识别模型； 步骤S6、用模型对待识别数据与已知类别数据成对输入，计算相似度，从而得出相似度最高的分类结果； 步骤S3所述的引入注意力机制的主干特征提取网络，其步骤如下： （1）构建改进的三通道SKNet注意力机制的特征提取网络，对输入图像进行特征提取，生成初步特征图，其步骤如下： 1）对输入数据分别用3*3、5*5、7*7的卷积核进行卷积操作，得到输出U1、U2、U3； 2）用element-wisesummation来融合3个分支的结果：U=U1+U2+U3，U是一个C*H*W大小且融合了多个感受野信息的特征图，其中C表示通道，H表示高度，W表示宽度；然后通过对H、W维度方向求平均，得到一个C*1*1大小的向量，表示每个通道的重要程度； 设F gp 表示全局平均池化操作，channel-wise的统计信息用s（s∈RC）表示，s c 表示s的第c个元素，计算公式如式（1）： （1） 3）对C*1*1的向量再用一个全连接层进行一个线性变换，得到一个Z*1*1的信息z，如式（2）；然后分别使用三个线性变换，又从Z维恢复到C维向量，提取每个通道维度的信息； （2） 其中：z∈Rd×1；δ为ReLU函数；B为批量标准化，W∈Rd×C，其中d=maxCr,L，r表示reductionratio，L为d的最小值； 4）使用softmax进行归一化处理，得到表示每个通道重要程度的对应分数，然后再分别乘以对应的U1、U2、U3，得到A1、A2、A3；再将3个模块相加进行融合，得到Y，Y相对于U经过了信息提炼，融合了多个感受野信息； 设a、b、c为Select的3个权重矩阵，A,B∈RC×d，A i 表示A的第i行，a i 是a的第i个元素，B i 、 b i 和A i ，a i 同理，且a i +b i +c i=1，最终的特征映射Y如式（3）、（4）；其中e为自然数； （3） （4） （2）将（1）生成的特征图作为输入图像，用ResNet101网络进行卷积处理，进一步提取特征，最后通过连接层输出结果； 步骤S4所述的孪生神经网络的步骤如下： （1）以步骤S3中构建的主干特征网络为基础，构建两个结构相同、权值共享的网络； （2）两个输入在经过主干特征提取网络之后，获取到一个多维特征，将其平铺到一维上，获得两个输入的一维向量； （3）训练时通过组合的方式构造不同的成对样本，输入网络进行训练，在最上层通过一个距离的交叉熵进行损失计算，根据样本对的距离判断他们是否属于同一个类，并产生对应的概率分布；在预测阶段，孪生网络处理测试样本和支撑集之间每一个样本对，最终预测结果为支撑集上概率最高的类别；本方法对输入的结构进行限制并自动发现可以从新样本上泛化的特征，通过一个有监督的基于孪生网络的度量学习来训练，然后重用该网络所提取的特征进行单小样本学习； 所述的损失计算，其步骤如下： 1）拥有两个相同的子神经网络，且权值WT共享； 2）属于弱监督学习，样本为样本对：（（X 1，X 2），V）；其中，X 1，X 2为相似样本，V表示标签，V=1，否则V=0； 3）子网络接受两个输入，并由神经网络转化为向量，再计算两个向量的距离；计算公式如下： （5） （6） 其中，N表示样本数量，即样本对数量；V表示标签，即V=0或者V=1；E WT表示欧式距离，即E WT=｜X 1-X 2｜2；m表示不相似样本的距离阈值，即两个不相似样本的距离在[0,m]，超过m时，两个不相似样本的损失可以看作0； 4）对这个距离再进行两次全连接，第二次全连接到一个神经元上，对这个神经元的结果取sigmoid，使其值在0-1之间，代表两个输入图片的相似程度。

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广西科学院;湖南理工学院，其通讯地址为：530201 广西壮族自治区南宁市良庆区广艺路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”。