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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于图原型网络和实例对比的领域泛化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：CN116796184B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310289243.0，技术领域涉及：G06F16/901；该发明授权一种基于图原型网络和实例对比的领域泛化方法是由彭伟民;郭浩栋设计研发完成，并于2023-03-23向国家知识产权局提交的专利申请。

本一种基于图原型网络和实例对比的领域泛化方法在说明书摘要公布了：针对分布于未知域的图像的分类预测问题，源数据集和目标数据集的不匹配分布将导致源模型在目标域的性能显著下降，而目前已提出的针对跨域视觉表示的分布对齐方法没有考虑到跨域内部数据结构的差异。本发明通过样本结构特征的相似性，利用样本的CNN特征构建密集连接实例图。每个节点对应样本的CNN特征，该特征由标准卷积网络提取。然后，将图卷积网络应用于实例图，并将图结构信息沿着设计的网络学习加权图的边缘进行传播以更新节点。本发明利用类均值构造类原型进行分类，还考虑了实例节点的比较监督学习，以学习实例节点上类语义信息。本发明为了更好地学习和减少领域之间类别语义信息的差异，采用软标签进行领域之间知识蒸馏。

本发明授权一种基于图原型网络和实例对比的领域泛化方法在权利要求书中公布了：1.一种基于图原型网络和实例对比的领域泛化方法，其特征在于，包括以下步骤： 步骤1：获取图像样本及其标签，并构建图像特征提取模型； 获取图像样本构建初始图像数据集，将所述初始图像数据集划分为源域数据集M＝{M1，...Mi，...，Mm}和目标域数据集T，其中Mm表示第m域数据集；所述目标域数据集在所述图像特征提取模型的训练过程中是不可访问的； 源域数据集M划分为训练集和验证集，将所述源域数据集M中的图像进行数据增强； 获取预训练模型，基于预训练模型构建所述图像特征提取模型； 通过所述图像特征提取模型，提取源域数据集M中的特征，作为图输入特征X； 步骤2：建立图卷积网络并获取类原型表示； 将提取源域数据集M的特征的图结构信息定义为G＝V，E，Z，其中V＝{v1，...，vn}是n个节点的集合，是通过两层GCN层提取获得的节点特征，E＝{e11，...，eij，...，enn}表示节点之间距离；其中，采用余弦相似度表示节点i和节点j之间距离； 通过节点间距离E构造包含n个节点的无向图邻接矩阵A，将所述无向图邻接矩阵A转换其中，为度矩阵，j为节点i的邻接节点编号； 根据节点之间相似度，构建归一化后的邻接矩阵其中，I是单位矩阵； 对于一个给定的包含n个节点的无向图邻接矩阵A∈Rn×n，图卷积的线性变换取决于图输入特征X∈Rk×n与滤波器W∈Rk×d； 其中，图输入特征X中的列向量Xi∈Rk是节点的集合V中第i个节点的特征表示，d表示输出的特征维度； 按如下式所示的方法，进行两层的GCN处理得到嵌入特征 其中，σ为激活函数，表示为第i个节点在第l层的输出，是图卷积输入； 之后利用图卷积网络生成的嵌入特征计算类原型P∈Rc×d的表示，表示图卷积网络的第m源域中第i个节点输出； 所述类原型的定义为被同一类的节点紧密包围，这样同一类的节点就可以表示自己的类；第m源域的第c类的原型通过以下方式计算： 其中PROTP是计算类原型P的表示的方式，是第m源域中第i个节点的表示，mc为第m源域的第c类，vi为第m域的第c类的第i个节点，具体公式如下： 将所述节点从原始嵌入空间投影到另一个距离空间来学习一个距离度量表示； 步骤3：通过比较节点的学习距离度量表示与类原型的距离度量表示进行分类； 计算距离度量损失： 由图卷积学习到的嵌入节点计算每个节点到每个类原型的距离度量表示： 其中，为第m源域中每个节点和每个类原型之间嵌入差异； 将节点嵌入差异联系到所有类原型，并按如下式5所示的方法，应用线性变换f对嵌入差异的不同维度给予不同程度的关注，同时自适应地提取嵌入差异信息，如下式所示： 距离度量表示g表示节点v到所有类原型的距离信息，用于定义了第m源域中节点与所有类原型的相对位置，c∈C表示第c个类；按如下式所示的方法，将距离度量表示通过连接层concat连接起来，以计算在所有源域M中的类原型和节点的距离度量表示： G＝concatg1，…，gm6 然后计算第i个节点vi的softmax的值： 其中表示在整个源域中节点vi对类c的距离度量，Py＝c|vi给出了节点vi对类c的预测概率分布，按如下式所示的方法构建交叉熵分类损失： 步骤4：嵌入空间实例节点监督对比学习； 按如下式所示的方法构建领域监督对比损失： 其中，I是所有小批量样本集合，i是一个锚点，p∈Pi是I中与第i个样本相同的正样本，|Pi|是集合Pi中样本的数量，是不同于第i个样本的其他类别样本且与第i个样本为同一域的负样本，表示对图卷积输出进行l2正则化的特征，τ表示温度参数，f表示不同节点的相似性度量，相同类别标签的样本表示和彼此靠近，而不同类别标签的样本表示与彼此远离； 步骤5：域不变性知识蒸馏； 按如下式所示的方法，通过域不变性知识蒸馏学习到来自不同域的节点信息之间的互补知识，其中，Xc表示来自各个域的具有相同类标签c的所有样本集合；通过对Xc取平均值获得相应的软标签值： 其中，h是来自GNN编码器最后一层的学习节点嵌入，表示第i个节点的GNN输出； 定义来自Xc的预测分布softmax函数为： 计算域间知识蒸馏，定义域损失函数为Lkd：通过KL散度来最小化域间语义层面的差异； 其中，M表示域的集合，m表示域的数量，表示第m域中第i节点的图像分类概率，τ表示温度参数；Dkl表示KL散度，用于计算节点与均值的输出分布差异； 步骤6：定义总目标损失函数如下； 其中，γ和为权重因子； 通过总目标损失函数对图卷积网络进行训练，实现领域泛化。

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电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。