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！

龙图腾网获悉杭州品茗安控信息技术股份有限公司申请的专利一种少样本检测模型生成方法、装置、设备及存储介质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：CN114255380B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202111583928.3，技术领域涉及：G06V10/774；该发明授权一种少样本检测模型生成方法、装置、设备及存储介质是由朱常玉;单建华;李军;张加元设计研发完成，并于2021-12-22向国家知识产权局提交的专利申请。

本一种少样本检测模型生成方法、装置、设备及存储介质在说明书摘要公布了：本申请公开了一种少样本检测模型生成方法、装置、设备及存储介质，包括：获取第一训练集并对第一检测模型进行训练；第一训练集包括第一样本图像和第一样本标签，第一样本标签为对第一样本图像中的基类目标进行标注的标注信息；获取第二样本图像并利用训练后的第一检测模型对第二样本图像中的基类目标进行检测，以确定第二样本图像中的非基类目标；对第二样本图像中的非基类目标进行标注后得到包含第二样本图像和第二样本标签的第二训练集，利用第二训练集对第二检测模型进行训练；第二检测模型为在第一检测模型的输出侧新增预设数量的用于对非基类目标进行分类的第一检测头网络后得到的模型。能够用少样本搭建鲁棒性强的检测模型，提高训练效率。

本发明授权一种少样本检测模型生成方法、装置、设备及存储介质在权利要求书中公布了：1.一种少样本检测模型生成方法，其特征在于，包括： 将传统YOLO模型中的backbone网络结构改进为由第一卷积块和第二卷积块组成的网络结构并将传统YOLO模型中的neck网络结构改进为特征金字塔网络结构，以得到第一检测模型；其中，所述第一卷积块为将一个3*3的卷积核并联一个1*1的卷积核并将两个卷积核的输出进行特征叠加，所述第二卷积块为将一个3*3的卷积核并联一个1*1的卷积核并将两个卷积核的输出及所述第二卷积块的输入进行特征叠加； 其中，所述将传统YOLO模型中的backbone网络结构改进为由第一卷积块和第二卷积块组成的网络结构并将传统YOLO模型中的neck网络结构改进为特征金字塔网络结构，包括： 将传统YOLO模型中的backbone网络结构改进为由两个所述第一卷积块、一个所述第二卷积块、一个所述第一卷积块、三个所述第二卷积块、一个所述第一卷积块、十三个所述第二卷积块、一个所述第一卷积块依次串接后组成的网络结构； 将改进后的backbone网络结构最后一个所述第一卷积块输出的特征图经过一个1*1的卷积核后得到第一neck层输出，并将所述第一neck层输出与十三个所述第二卷积块的输出进行特征叠加后得到第二neck层输出，以及将所述第二neck层输出与三个所述第二卷积块的输出进行特征叠加后得到第三neck层输出；其中，每个neck层输出对应一个用于对基类目标进行分类的第二检测头网络； 获取第一训练集并利用所述第一训练集对所述第一检测模型进行训练，以得到训练后的所述第一检测模型；其中，所述第一训练集包括第一样本图像和相应的第一样本标签，所述第一样本标签为对所述第一样本图像中的所述基类目标进行标注的标注信息； 获取第二样本图像并利用训练后的所述第一检测模型对所述第二样本图像中的所述基类目标进行检测，以根据检测出的所述基类目标确定所述第二样本图像中的非基类目标；所述第二样本图像用于进行非基类检测训练； 对包含所述非基类目标的所述第二样本图像中的所述非基类目标进行标注后得到包含所述第二样本图像和相应的第二样本标签的第二训练集，并利用所述第二训练集对第二检测模型进行训练，以得到训练后的所述第二检测模型；其中，所述第二检测模型为在所述第一检测模型的输出侧新增预设数量的用于对所述非基类目标进行分类的第一检测头网络后得到的模型。

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杭州品茗安控信息技术股份有限公司，其通讯地址为：310012 浙江省杭州市西湖区西斗门路3号天堂软件园B幢5楼C室；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。