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！

龙图腾网获悉湖南大学申请的专利基于迁移学习的增量小样本实例分割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：CN120147646B 。

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：202510297910.9，技术领域涉及：G06V10/26；该发明授权基于迁移学习的增量小样本实例分割方法是由章成源;张仪琳;朱磊;阮浩宇设计研发完成，并于2025-03-13向国家知识产权局提交的专利申请。

本基于迁移学习的增量小样本实例分割方法在说明书摘要公布了：本发明公开了一种基于迁移学习的增量小样本实例分割方法，包括：构建增量小样本实例分割模型，所述增量小样本实例分割模型包括依次连接的特征提取器、Transformer编码器TransformerEncoder、Transformer解码器TransformerDecoder以及两个预测头；对所述增量小样本实例分割模型进行训练；使用训练好的增量小样本分割模型对图像中的基类和新类的前景对象进行分割，得到每个前景对象的类别和分割掩码；本发明通过添加轻量级适配器和采用知识蒸馏策略的方式，旨在克服先前方法无法充分利用基类知识以及微调模型时旧类别的性能下降问题，实现基类知识和新类知识更好的集成，更好地平衡稳定性——可塑性困境。

本发明授权基于迁移学习的增量小样本实例分割方法在权利要求书中公布了：1.一种基于迁移学习的增量小样本实例分割方法，其特征在于，包括以下步骤： 步骤1、构建增量小样本实例分割模型，所述增量小样本实例分割模型包括依次连接的特征提取器、Transformer编码器、Transformer解码器以及两个预测头； 在步骤1中，所述特征提取器以经过数据增强后的图像作为输入，提取该图像的多尺度特征；所述Transformer编码器以特征提取器输出的多尺度特征作为输入，通过自注意力机制，进一步丰富图像特征，并利用丰富后的图像特征生成像素嵌入图，同时为Transformer解码器提供选出的前k个token；所述Transformer解码器以Transformer编码器提供的前k个token作为其对象查询的初始化，通过自注意力机制实现对象查询之间的交互，通过交叉注意力机制实现对象查询和Transformer编码器输出的图像特征之间的交互，最终输出对象查询的嵌入作为两个预测头的输入；两个预测头分别是分类头和分割头，将对象查询的嵌入输入到分类头中得到每个前景对象的类别，将对象查询的嵌入输入到分割头中，并将其输出与Transformer编码器输出的像素嵌入图点积得到每个前景对象的分割掩码； 步骤2、对所述增量小样本实例分割模型进行训练； 所述步骤2中的训练阶段包括基础训练阶段和小样本增量微调阶段： 所述的基础训练阶段为在基类数据集上训练增量小样本实例分割模型，并将训练结束后的模型称为基础模型； 所述的小样本增量微调阶段具体包括以下步骤： 第一步、冻结基础模型的所有参数； 第二步、重新创建一个新的增量小样本实例分割模型，将其称为新模型，使用基础模型的参数初始化新模型； 第三步、在新模型的Transformer编码器的第一层的多层感知机中插入一个并行的适配器；所述的适配器是一个瓶颈结构，包括一个下采样层、一个非线性激活函数ReLU和一个上采样层； 第四步、冻结新模型除分类器和适配器外的所有参数； 第五步、在新类数据集上通过知识蒸馏的策略训练新模型，将基础模型作为教师模型，新模型作为学生模型，在Transformer编码器第一层输出的token上计算知识蒸馏损失； 第六步、将基础模型的分类权重添加到新模型的分类器中，添加基础模型分类权重后的新模型即为小样本增量微调阶段的最终模型，具备在检测分割图像中所有基类和新类前景对象的能力； 步骤3、使用训练好的增量小样本分割模型对图像中的基类和新类的前景对象进行分割，得到每个前景对象的类别和分割掩码。

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湖南大学，其通讯地址为：410000 湖南省长沙市岳麓区麓山南路麓山门；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。