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！

龙图腾网获悉华中科技大学申请的专利一种小样本图像检测模型的训练方法和图像检测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：CN119649136B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411800077.7，技术领域涉及：G06V10/764；该发明授权一种小样本图像检测模型的训练方法和图像检测方法是由李国徽;胡采瑄;潘鹏;袁凌设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种小样本图像检测模型的训练方法和图像检测方法在说明书摘要公布了：本发明公开了一种小样本图像检测模型的训练方法和图像检测方法，属于深度学习技术领域，所述基类训练方法包括：利用支持图像集、已打标的查询图像和类中各个目标类别训练原始图像检测模型直至总损失达到收敛，得到基类图像检测模型；将支持特征和目标类别的语义嵌入输入变分自编码器，相比于特定类的支持特征和重构特征，VAE中间过程的潜在向量包含了更多类原型的一般特征；从分布中采样具有包含语义信息的潜在向量并将其与查询特征进行特征聚合，从而使估计的新类中心更接近真实的类中心；此外以VAE中的重构损失、KL散度、分类损失、回归损失以及语义一致性损失构成总损失，可以较大程度地提升训练精度。

本发明授权一种小样本图像检测模型的训练方法和图像检测方法在权利要求书中公布了：1.一种小样本图像检测模型的训练方法，其特征在于，包括： S1：初始化原始图像检测模型，所述原始图像检测模型包括聚合模块以及与其连接的支持分支、查询分支和检测头；所述支持分支依次连接的包括：第一主干网络和变分自编码器；所述查询分支包括依次连接的：第二主干网络和区域生成网络；所述第一主干网络和所述第二主干网络参数孪生； S2：利用支持图像集、已打标的查询图像和类M中各个目标类别c训练所述原始图像检测模型直至总损失达到收敛，得到基类图像检测模型； 训练过程中执行如下步骤：将所述支持图像集输入所述第一主干网络进行特征提取得到支持特征S；将所述支持特征S和所述目标类别c的语义嵌入e输入变分自编码器的编码器生成均值和方差，将均值和方差输入所述变分自编码器的解码器得到生成特征S'；从所述变分自编码器中提取出潜在变量；将已打标的查询图像输入所述第二主干网络进行特征提取得到查询特征，将所述查询特征输入所述区域生成网络得到包括正样本和负样本的目标提议；对所述目标提议进行RoIAlign操作得到RoI特征；将所述潜在变量z和所述RoI特征进行聚合得到融合特征f；将所述融合特征f输入所述检测头得到预测类别和预测框；利用预测框和原始打标b计算回归损失，利用所述支持特征和所述生成特征S'的差异表示重构损失，利用均值和方差计算KL损失；利用所述语义嵌入e和所述支持特征的差异表示语义一致性损失；利用公式计算总损失；和分别为和的超参数； 总分类损失的计算过程如下：从负样本中选出n个作为实例负样本；利用计算第j个实例负样本的RoI特征与第k个类原型之间的余弦相似度；利用计算第j个实例负样本的前景概率，M为类原型的总数；利用计算第j个实例负样本的分类权重；为的信息熵，λ为超参数，为调节因子；利用计算负样本的分类损失；利用计算总分类损失，和分别为第j个实例负样本的真实标签和预测标签，正样本的分类损失，为交叉熵； 所述从负样本中选出n个作为实例负样本，包括：将负样本分为真性负样本和假性负样本；分别从所述真性负样本和所述假性负样本中采样一组，并组合在一起作为实例负样本； 所述分别从所述真性负样本和所述假性负样本中采样一组，包括：对于真性负样本，采用IoU平衡采样进行采样；对于假性负样本，采用随机抽样进行采样； 所述将负样本分为真性负样本和假性负样本，包括：利用公式从负样本中选出真性负样本，剩余部分作为假性负样本；其中，表示标注框，表示标注框集合，表示标准交并比度量，表示区分真性和假性负样本的最大阈值。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。