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！

龙图腾网获悉南京邮电大学申请的专利一种少样本图像分类方法和系统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：CN119741534B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411778425.5，技术领域涉及：G06V10/764；该发明授权一种少样本图像分类方法和系统是由李平;朱祥;柳春波;仝涛设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种少样本图像分类方法和系统在说明书摘要公布了：本发明属于图像分类技术领域，具体公开了一种少样本图像分类方法和系统，包括：获取带类别标签的少样本图像数据集，将数据集划分为多个支持集和查询集，并通过特征提取网络获得支持集和查询集图像的局部特征；基于支持集图像的局部特征生成每个支持类的原型，并计算支持集每张图像的权重；对支持集图像的局部特征进行修正；对查询集图像的局部特征进行修正；基于两种修正后的局部特征和支持集每张图像的权重，计算查询集图像与每个支持类的相似度，并将相似度进行概率输出，以生成图像分类结果。本发明降低了离群样本对模型的负面影响，同时使模型聚焦于与任务相关的判别性特征，提高了模型的分类性能。

本发明授权一种少样本图像分类方法和系统在权利要求书中公布了：1.一种少样本图像分类方法，其特征在于，包括： S1.获取带类别标签的少样本图像数据集，将所述数据集划分为多个支持集和查询集，并通过特征提取网络获得所述支持集和查询集图像的局部特征，其中，少样本图像是指训练集中，每类仅包含少量的标注图像； S2.基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重； S3.基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正； S4.基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正； S5.基于两种修正后的局部特征和支持集每张图像的权重，计算所述查询集图像与每个支持类的相似度，并将所述相似度进行概率输出，以生成图像分类结果； 所述基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重，包括： 通过全局平均池化操作生成每个支持类的原型； 计算所述支持集每张图像与各原型之间的距离，并基于所述距离计算出每张图像的权重， 其中，每张图像的权重的计算式如下： ； 其中，表示图像的权重，表示第类的第张图像，表示第类原型； 基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正，包括： 利用余弦相似度计算所述支持集每个局部特征与各原型之间的相似度向量； 将所述相似度向量输入支持权重网络，以获得所述支持集各局部特征的权重，其中，支持权重网络为全连接神经网络； 基于所述权重修正所述支持集图像的局部特征； 所述基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正，包括： 计算所述查询集图像与所述支持集每个类别的相似度张量并通过跨通道池化操作降低通道数，其中，相似度张量的计算式如下： ； 其中，为支持集第类图像个数， 其中，第个通道、第行、第列的元素的计算式如下： ； 其中，表示查询集图像第个局部特征和第类第张支持集图像的第个局部特征之间的相似度，其中，，，表示支持集第类第张图像第个局部特征； 对所述相似度张量进行卷积操作后，通过ReLU层修正所述查询集图像与所述支持集每个类别的相似度张量； 查询权重网络基于修正后的相似度张量确定查询集图像各局部特征的权重，以修正查询集图像的局部特征； 所述基于两种修正后的局部特征和支持集每张图像的权重计算所述查询集图像与每个支持类的相似度，并将所述相似度进行概率输出，以生成图像分类结果，包括： 基于两种修正后的局部特征和支持集每张图像的权重，构建关系矩阵，每个元素对应所述查询集图像与每个支持类局部特征之间的相似度，其中，构建关系矩阵的表达式如下： ； 其中，为关系矩阵，为支持集第类图像的局部特征个数； 其中，第行，第列的元素为： ； 其中，为第类第个样本的局部特征； 在所述关系矩阵的每行中找到前个最大值，形成矩阵，将矩阵的所有元素求和得到查询集图像与第类的相似度得分，作为分类结果的概率输出。

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邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。