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一种基于虚拟特征增强和特征细化的小样本目标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：CN116797931B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310763763.0，技术领域涉及：G06V20/10；该发明授权一种基于虚拟特征增强和特征细化的小样本目标识别方法是由张寅;黄钰林;王陈炜;裴季方;罗思懿;霍伟博;杨建宇;杨海光设计研发完成，并于2023-06-26向国家知识产权局提交的专利申请。

本一种基于虚拟特征增强和特征细化的小样本目标识别方法在说明书摘要公布了：本发明公开了一种基于虚拟特征增强和特征细化的小样本目标识别方法，首先使用特征提取器从有限的SAR训练样本中提取低维特征图，再采用嵌入特征增强器，计算相似度搜索远离类中心的特征，获得类内不相似特征对和类间相似特征对，利用特征对构建并增强对应的虚拟特征，再采用动态层次特征细化器，通过动态生成卷积核，将不同维度的具有区分度的局部特征集成到全局特征中，提升特征的类内紧凑性和类间可分离性，最后采用自适应损失和识别损失组合的损失函数，优化网络，提升识别精度，完成目标识别。本发明的方法解决了数据获取困难和标注成本高的问题，提高了深度网络学习效果与整体识别准确率，相比现有小样本目标识别方法，识别精度和鲁棒性更高。

本发明授权一种基于虚拟特征增强和特征细化的小样本目标识别方法在权利要求书中公布了：1.一种基于虚拟特征增强和特征细化的小样本目标识别方法，具体步骤如下： 步骤一、在训练阶段，使用特征提取器从有限的SAR训练样本中提取低维特征图； 步骤二、采用嵌入特征增强器，计算相似度搜索远离类中心的特征，获得类内不相似特征对和类间相似特征对，构建并增强远离类中心的特征之间的虚拟特征； 步骤三、采用动态层次特征细化器，先增强局部特征的类别的可区分度，再根据输入SAR图像的独特特征动态生成卷积核，将不同维度具有区分度的局部特征集成到全局特征中，提升特征的类内紧凑和类间可分特性； 所述步骤三具体如下： 所述动态层次特征细化器主要由特征局部增强和特征全局增强两个部分组成； 给定一个样本特征图首先进行局部增强，获得局部掩膜以从空间方面进行特征增强；先使用一个带有批量归一化和非线性激活函数的卷积层对进行细化，然后使用另外一个带有Sigmoid激活函数的卷积层来生成局部掩膜； 通过逐元素将局部掩膜和原始特征图相乘得到局部增强的特征图计算过程如式1： 其中，⊙表示逐元素乘积，表示通道数为C的带有批量归一化和非线性激活函数的卷积层，表示带有Sigmoid激活函数的卷积层； 然后对样本特征图进行全局增强，获得全局掩膜以从通道方面进行特征增强；通过自适应平均池化得到的全局向量，通过经过一个带有批量归一化和非线性激活函数的卷积层和一个带有SoftMax的卷积层得到自适应卷积核；将样本特征图与生成的卷积核进行卷积操作得到最终的全局掩膜； 自适应卷积核的生成过程如式2： 其中，kgen表示生成的自适应卷积核，sf·表示SoftMax函数，f1D·表示一维卷积函数，表示带有批量归一化和非线性激活函数的一维卷积函数，AAP·表示自适应平均池化； 动态层次特征细化器的计算过程如式3： 其中，表示动态层次特征细化器的最终输出，*表示卷积函数； 通过局部和全局增强，动态层次细化器挖掘数据中的局部特征和全局特征的内在结构，集成更具有区分性的特征； 步骤四、采用自适应损失和识别损失组合的损失函数，优化网络，提升识别精度，完成目标识别。

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电子科技大学，其通讯地址为：611731 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”。