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！

龙图腾网获悉电子科技大学申请的专利基于对比聚类和模板匹配的小样本目标检测方法及模型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：CN117036761B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202310967550.X，技术领域涉及：G06V10/762；该发明授权基于对比聚类和模板匹配的小样本目标检测方法及模型是由王升哲;梁志清;李成世;张鸿波;刘子骥;康朋新设计研发完成，并于2023-08-02向国家知识产权局提交的专利申请。

本基于对比聚类和模板匹配的小样本目标检测方法及模型在说明书摘要公布了：基于对比聚类和模板匹配的小样本目标检测方法，包括如下步骤：步骤1.收集大样本类图像，输入类原型向量对比聚类检测模型进行训练；步骤2.收集小样本类图像输入步骤1训练后得到的大样本初始模型，得到小样本类原型向量组；步骤3.将待识别图像输入步骤2得到的大样本初始模型，输出多个待识别图像目标框；设置置信度阈值，进行筛选；步骤4.未通过目标框进行识别结果筛选；步骤5.将步骤3中得到的可信的识别结果和步骤4得到的未通过目标框的识别结果合并，作为待识别图像的识别结果。本发明可以实现对于大样本类别目标的高维特征空间映射，有利于增加大样本类的类间距离，缩小其类内距离，增强目标识别精度。

本发明授权基于对比聚类和模板匹配的小样本目标检测方法及模型在权利要求书中公布了：1.一种基于对比聚类和模板匹配的小样本目标检测方法，其特征在于,包括如下步骤： 步骤1.收集大样本类图像，输入Faster-RCNN架构的类原型向量对比聚类检测模型进行训练； 所述Faster-RCNN架构的类原型向量对比聚类模型包括依次连接的基础模块、FPN模块、二分类预测模块、ROI池化模块，还包括与ROI池化模块连接的对比聚类模块； 所述对比聚类模块实现的具体功能为： 将大样本类图像分类存储在向量组中，每次训练过程中在训练损失中加入对比损失，经过设定的迭代次数后得到大样本初始模型及大样本类原型向量； 所述对比损失的公式如下： 对比损失 其中N为每次训练的特征向量的总数，zi·zj为不同类别特征间的余弦距离，τ为温度系数； 步骤2.收集待识别图像的小样本类图像输入步骤1训练后得到的大样本初始模型，通过ROI池化模块和对比聚类模块进行推理得到小样本类原型向量组； 步骤3.将待识别图像输入步骤1得到的检测用模型，输出多个待识别图像目标框，每个目标框对应有一个待识别目标向量、置信度及目标位置，剔除置信度低的目标框，其具体过程如下： S31.待识别图像输入步骤2得到的检测用模型，输出多个待识别图像目标框，及各个目标框对应的待识别目标向量、置信度及目标位置； S32.设置第一置信度阈值conf1,对于置信度高于第一置信度阈值conf1的待识别图像目标框，设置目标框的第一重叠度阈值IOU1，采用非极大值抑制过滤掉重叠度高于重叠度阈值IOU1的目标框,进入步骤S33； 对于置信度不高于第一置信度阈值conf1的待识别图像目标框，进入步骤S35； S33.按照置信度高低对置信度高于第一置信度阈值conf1的全部目标框降序排序,计算最大置信度对应的目标框与其他目标框的重叠度； S34.移除所有大于第一重叠率阈值的关联目标框； 对剩下的目标框，循环执行S33和S34步骤，直至所有的目标框均满足要求； S35.对于置信度低于第一置信度阈值conf1的未通过目标框，重新设置低于第一置信度阈值的第二置信度阈值conf2,并设置高于第一重叠度阈值的第二重叠度阈值IOU2，按照S33-S34的步骤进行非极大值抑制操作； 经过步骤S32-S35后被保留的全部目标框及其对应类别作为可信的识别结果； 被步骤3淘汰的目标框输入步骤4； 步骤4.模板匹配，具体为： 将步骤3淘汰的目标框对应的待识别目标向量逐个与步骤2得到的完整类型向量组中的各个向量进行模板匹配，分别计算出匹配度，将与目标框匹配度最高的原型向量的类别作为该目标框的类别，模板匹配度作为目标框置信度；模板匹配度可由余弦相似度表征； 设置第三重叠度阈值IOU3，对步骤3淘汰的目标框按照步骤S33-S34进行非极大值抑制，将步骤4进行非极大值抑制后剩余的目标框及其类别作为步骤4输出的二次识别结果； 步骤5.将步骤3中得到的可信的识别结果和步骤4得到的二次识别结果合并，作为待识别图像的识别结果。

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电子科技大学，其通讯地址为：610000 四川省成都市高新区（西区）西源大道2006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”。