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！

龙图腾网获悉电子科技大学申请的专利基于局部无关区域筛选图神经网络的小样本图像分类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：CN116310466B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202211093142.8，技术领域涉及：G06V10/764；该发明授权基于局部无关区域筛选图神经网络的小样本图像分类方法是由秦科;段贵多;卢国明;罗光春;李雅俊;徐希玮设计研发完成，并于2022-09-08向国家知识产权局提交的专利申请。

本基于局部无关区域筛选图神经网络的小样本图像分类方法在说明书摘要公布了：本发明公开了一种基于局部无关区域筛选图神经网络的小样本图像分类方法，该方法包括：通过随机裁剪并输入特征嵌入网络中获取到图像的全局特征和局部特征；将全局特征和局部特征按照相关性构造出图结构用于图神经网络的更新；构建基于局部无关区域筛选图神经网络模型，通过模型获取到每个图像的最终特征以及每个局部子图的重要性；基于分类损失和局部重要性损失构成的损失函数进行模型训练；使用模型获取到的特征用于计算图像属于每个类的概率。本发明通过在局部特征聚合时对图像背景等无关区域增加限制参数降低其对分类的影响，解决现有基于度量学习方法中无关的局部信息干扰的技术问题，用于小样本图像分类任务时，能有效提升预测准确性。

本发明授权基于局部无关区域筛选图神经网络的小样本图像分类方法在权利要求书中公布了：1.一种基于局部无关区域筛选图神经网络的小样本图像分类方法，其特征在于，该方法包括以下步骤： 步骤1：小样本任务采样 小样本学习的数据集包含训练集、支持集和查询集，其中训练集用于预训练图像分类器，包含大量图像数据；支持集和查询集中包含不同于训练集的新类别的图像数据，并且图像数据比训练集中的图像数据少；小样本图像分类就是将在训练集中训练好的预训练图像分类器在支持集上再次训练，并在查询集中验证分类准确率的任务，在测试阶段直接使用支持集和查询集作为数据集即可； 首先，在训练阶段，将大量的训练集图像数据按照支持集和查询集的分布进行多次采集，从而构成多组小样本学习任务；每组小样本学习任务分别进行训练，并通过损失函数优化整个网络模型，接下来是一组小样本学习任务训练过程； 步骤2：将一组小样本学习任务中的支持集图像和查询集图像进行随机裁剪操作，使得每一个支持集图像或查询集图像都获得多个局部子图像； 步骤3：将该组小样本学习任务的数据集中的支持集图像和查询集图像与步骤2中提取到的数据集中每一个支持集图像或查询集图像对应的局部子图像一起输入一个嵌入网络中，分别得到每一个支持集图像或查询集图像的全局特征和局部特征，支持集图像和查询集图像经过嵌入网络处理后得到全局特征，局部子图像经过嵌入网络处理后得到局部特征； 步骤4：将步骤3获得的全局特征和局部特征进行建图，最终形成一个图结构，用于后续的图神经网络训练； 步骤5：将步骤4所得的图结构通过局部无关区域筛选图神经网络模型进行更新，得到更新后的图结构，其包含全局节点特征、局部节点特征和边特征； 步骤6：小样本图像分类 基于步骤5输出所述局部无关区域筛选图神经网络模型最后一层的图结构，该图结构的全局节点特征作为支持集图像或查询集图像最终的特征用于图像分类，图像分类通过特征之间的距离度量进行计算，比较查询集图像的特征和支持集图像特征之间的相似度，判断这个查询集图像与哪个支持集图像相似度最大，那么这个查询集图像就属于这个相似度最大的支持集图像的类别，由此得到查询集图像的分类结果，其中支持集图像的类别是已知的，查询集图像的类别是未知的； 步骤7：局部无关区域筛选图神经网络模型的训练 基于步骤6的分类结果计算损失函数，在模型训练过程中采用的损失函数由两部分组成，分别为分类损失函数L1和局部特征重要性损失L2，局部无关区域筛选图神经网络模型的总损失函数即为两者之和：L＝L1+L2；将步骤1得到的多组小样本学习任务依次进行步骤2-7的训练过程，训练过程结束后得到训练好的局部无关区域筛选图神经网络模型； 步骤8：将待分类的支持集图像和查询集图像输入训练好的局部无关区域筛选图神经网络模型，处理后得到待分类的查询集中每一个图像数据的分类预测结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。