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！

龙图腾网获悉南京理工大学申请的专利一种基于局部特征筛选的小样本细粒度图像分类的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：CN115049883B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202210885422.6，技术领域涉及：G06V10/764；该发明授权一种基于局部特征筛选的小样本细粒度图像分类的方法是由代龙泉;李晓寒设计研发完成，并于2022-07-26向国家知识产权局提交的专利申请。

本一种基于局部特征筛选的小样本细粒度图像分类的方法在说明书摘要公布了：本发明公开了一种基于局部特征筛选的小样本细粒度图像分类的方法，在元学习和度量学习的基础上，本发明更适用于类间差异较小和类内差异较大的细粒度图像。在经过嵌入网络后的特征图像，利用查询集和支持集的相似性关系，利用相互选择后的关系矩阵对齐支持集图像，筛选出具有分类价值的局部特征。本发明有效地解决了小样本图像分类的过拟合和细粒度图像局部特征差异较大的问题，实现简单，具有较高的分类性能，并且方法具有可移植性。

本发明授权一种基于局部特征筛选的小样本细粒度图像分类的方法在权利要求书中公布了：1.一种基于局部特征筛选的小样本细粒度图像分类的方法，其特征在于，包括以下步骤： 步骤1、构建支持集S和查询集Q： 随机抽取C个不同类别的图像，每个类别均包含K+M张图像，其中K张图像构成支持集S，M张图像作为查询集Q，C∈[1-5]，K∈[1-15]，M∈[1-5]；支持集xj,yj表示支持集S中的第j张图像xj及图像xj对应的类别标签yj；查询集xi,yi表示查询集Q中第i张图像xi及图像xi对应的类别标签yi；j＝1,2,3……C×K，i＝1,2,3……C×M，转入步骤2； 步骤2、定义嵌入网络fθx： 将支持集S中的每一张图像xj和查询集Q中的每一张图像xi传入嵌入网络fθx内，分别对应生成支持集的特征图像和查询集的特征图像转入步骤3； 步骤3、计算查询集中的特征图像到支持集中属于类别c的图像的余弦距离，得到类别c的关系矩阵Rc，c∈[0,1,2…,C-1]，转入步骤4； 步骤4、重复步骤3，遍历全部类别，获得C个关系矩阵Rc；将这C个类别的关系矩阵Rc连接起来得到相似性矩阵R，R表示查询集中的特征图像到整个支持集S的语义相似性；转入步骤5； 步骤5、引入相互选择模块，根据相似性矩阵R，得到一个与任务相关的查询图像描述符序列q*； 其中，相互选择的操作具体如下： 搜索相似性矩阵R中的第v行，也就是查询集特征图像中第v个深度描述符，找到最大值所在列的索引col_index，同时，搜索该列的最大值所在行的索引row_index；若索引row_index＝v，说明查询集图像第v行所代表的深度描述符qv是一个任务相关的深度描述符，需要保留；否则，说明没有意义需要消除；具体公式如下： col_index＝argmaxuR row_index＝argmaxvR 其中，argmaxu和argmaxv分别表示搜索最大值所在列和行的索引； 遍历相似性矩阵R的所有行，即v∈[1,2,…,hw]，得到一个与任务相关的查询图像特征序列q*； 转入步骤6； 步骤6、引入对齐模块，将支持集的特征图像向查询集的特征图像对齐，得到由支持图像构成的对齐支持集根据查询图像描述符序列q*和类别c的关系矩阵Rc，得到注意力图Ac；利用Ac来对齐支持集类别c的每一张图像，直至遍历支持集所有的类别，进而对齐支持集所有类别的所有图像，具体步骤如下： 步骤6-1、根据步骤5中的相互选择模块获得与任务相关的查询图像特征序列q*，通过0、1筛选获得mask序列m＝[m1,...,mhw]： 步骤6-2、通过mask序列m和类别c的关系矩阵Rc，得到注意力图Ac： Ac＝m×Rc 步骤6-3、在Ac上执行SoftMax·，将每行的权重归一化为和1，使用它来对齐支持集类别c的每一张图像 其中，表示支持集类别c的对其矩阵； 转入步骤7； 步骤7、引入TOP-k筛选模块，对于查询集的特征图像和由支持图像构成的对齐支持集通过TOP-k筛选模块分别得到查询集特征图像的局部特征和对齐支持集的局部特征转入步骤8； 步骤8、根据查询集特征图像的局部特征和对齐支持集的局部特征计算每个类别的相似得分，根据最高得分，得到该查询集图像的最终分类类别，实现分类。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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”。