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！

龙图腾网获悉厦门大学申请的专利基于双向对抗训练与关系度量约束的广义零样本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：CN116109898B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202211579458.8，技术领域涉及：G06V10/82；该发明授权基于双向对抗训练与关系度量约束的广义零样本学习方法是由曲延云;李晓凡;张亚超;边诗然设计研发完成，并于2022-12-09向国家知识产权局提交的专利申请。

本基于双向对抗训练与关系度量约束的广义零样本学习方法在说明书摘要公布了：基于双向对抗训练与关系度量约束的广义零样本学习方法，涉及图像处理领域。1建立零样本学习的数据集；2使用预训练好的神经网络提取可见类图像的视觉特征，并对视觉特征进行预处理；3使用步骤2提取的视觉特征通过双向对抗训练特征生成网络和属性生成网络，属性生成网络的训练过程同时加入关系度量约束；4使用特征生成网络来合成不可见类的视觉特征，将可见类和不可见类的视觉特征通过属性生成网络进行微调，使用微调后视觉特征通过交叉熵损失训练分类器。对视觉特征进一步的微调使得视觉特征与语义属性之间由更紧密的联系。基于类间关系的度量学习方式，有效提升特征可判别性的同时提升模型在不可见类缺失情况下的泛化性。

本发明授权基于双向对抗训练与关系度量约束的广义零样本学习方法在权利要求书中公布了：1.基于双向对抗训练与关系度量约束的广义零样本学习方法，其特征在于包括以下步骤： 1建立数据集：建立零样本学习的数据集，针对每个类别，零样本学习引入语义属性作为线索； 2视觉特征提取：使用预训练好的神经网络提取可见类图像的视觉特征，并对视觉特征进行预处理； 3双向对抗训练与关系度量约束：使用步骤2提取的视觉特征通过双向对抗训练特征生成网络和属性生成网络，属性生成网络的训练过程同时加入关系度量约束； 所述属性生成网络的训练过程同时加入关系度量约束，是在属性生成网络训练过程中设计一种基于关系的度量学习来约束微调后的视觉特征h，随机抽样微调后的视觉特征h的正样本h+和负样本h‑通过可学习度量函数F预测h与h+以及h与h‑之间的相似度概率，然后以样本对应的语义属性之间的余弦相似度作为groundtruth通过交叉熵损失训练整个过程； 通过挖掘语义属性之间的相似度，视觉特征受到类别之间关系的约束，从而使模型的泛化性得到提升；具体步骤包括： 1为了保证微调特征实例间的可判别性，提出基于关系的度量学习对其进行约束，考虑不同类别之间的关系并以语义属性之间的相似度作为视觉特征实例间的度量标准，通过类别间关系的挖掘提升模型的泛化性能，从而有利于可见类到不可见类的知识迁移；具体地，首先通过一个可学习的度量函数F预测两个视觉特征hi与hj之间的相似度概率，度量函数的实现如下： 其中，wF是2048×1的全连接层，2048是h的维度，表示按元素乘法，σ表示sigmoid激活函数；通过度量函数后，两个视觉特征hi与hj之间的相似度以概率的形式表示；计算两个视觉特征对应语义属性的余弦相似度作为关系度量学习的标准并通过二值交叉熵计算，关系度量损失函数如下： 其中，cos表示余弦相似度，ai，aj分别是hi，hj所对应的语义属性； 2在每个批次的训练过程中，为了使训练更加充分，对微调后的视觉特征h的每个样本分别随机采样其正样本h+和负样本h‑，分别对h,h+和h,h‑计算关系度量损失，最终的损失函数如下： 通过关系度量损失，视觉特征实例间类内聚合度和类间区分度将得到明显提升，同时对类别之间关系的挖掘能极大提升模型的泛化能力； 4训练分类器：使用特征生成网络来合成不可见类的视觉特征，将可见类和不可见类的视觉特征通过属性生成网络进行微调，使用微调后视觉特征通过交叉熵损失来训练分类器。

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厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422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。