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！

龙图腾网获悉北京航空航天大学申请的专利基于鲁棒性少参数微调的小样本类增量学习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：CN119832389B 。

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：202411908911.4，技术领域涉及：G06V10/82；该发明授权基于鲁棒性少参数微调的小样本类增量学习方法是由童超;金陆洋;梁宇辰设计研发完成，并于2024-12-23向国家知识产权局提交的专利申请。

本基于鲁棒性少参数微调的小样本类增量学习方法在说明书摘要公布了：在图像识别领域，深度学习模型的小样本类增量式学习是一个具有挑战性的技术难题，其在预训练模型基础上进行参数迭代更新，从而使得模型能够仅利用有限数量的有标注样本不断学习新类别的知识，同时保留原有类别知识。极其有限的样本下进行参数更新会导致模型出现偏差，同时大量参数更新会使得模型遗忘已有知识，为了应对上述问题，在最近邻类别均值分类法的基础上，本发明提出了一种基于鲁棒性少参数微调的小样本类增量学习方法，本发明所提出方法能够实现关键参数的高效微调，通过控制参数调整的数量和幅度产生灵活决策区域，从而避免上述问题。

本发明授权基于鲁棒性少参数微调的小样本类增量学习方法在权利要求书中公布了：1.一种基于鲁棒性少参数微调的小样本类增量学习方法，用于处理图像样本以进行图像识别，其特征在于，包括以下步骤： 步骤S1：高斯分布特征映射； 步骤S11：将骨干网络输出的特征进行一维批正则化； 步骤S12：将S11得到的特征进行自适应放缩； 步骤S2：基类特征信息提取和增量类别特征重构； 步骤S21：利用步骤S1抽取基类特征，计算并记录得到的基类特征中每一特征通道的样本均值和样本方差； 步骤S22：利用步骤S1抽取增量类别特征，计算增量类别特征与S21中基类特征样本均值的相似度，选取多个高相似度的基类重放特征，对增量类别特征进行重构； 步骤S23：利用S31得到的重构特征，更新聚类中心，将新的聚类中心用于分类； 步骤S3：骨干网络分支结构参数微调； 步骤S31：基于低秩分解的少参数微调结构初始化； 步骤S32：将S31初始化后的模型结构作为骨干网络的分支结构进行参数微调，其中， 步骤S11中，利用一维批正则化的方法，将骨干网络输出的任意分布的特征映射为具有统计学意义的高斯分布，φ为骨干网络参数，I为输入到骨干网络中的样本，y为抽取得到的特征，μj和分别为一维批正则化第j维度的样本均值和方差，yij和分别为第i个样本第j维度映射前后的样本特征； y＝φI 其中ε是一个很小的数，用于防止分母为0。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。