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！

龙图腾网获悉大连理工大学申请的专利一种基于属性及注意力引导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：CN116778240B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202310722970.1，技术领域涉及：G06V10/764；该发明授权一种基于属性及注意力引导的小样本图像分类方法是由叶昕辰;李慧;李豪杰;王智慧;徐睿设计研发完成，并于2023-06-19向国家知识产权局提交的专利申请。

本一种基于属性及注意力引导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属性及注意力引导的小样本图像分类方法，在小样本数据条件和度量学习方法的基础上构建网络框架，包括四个部分：自注意力网络、互注意力网络、自适应融合网络和属性预测网络。其中，自注意力网络用于提取图像特征；互注意力网络捕捉图像间的区域相关性，自适应融合网络将视觉特征与属性信息相融合，实现校正图像特征嵌入；属性预测网络借助属性信息以弱监督的方式定位属性特征并进行预测。通过注意力机制的运用和属性信息的辅助，协同生成了更具判别性的特征，得到了更具泛化性的模型，最终提升了图像分类的精度。本方法程序简单，易于实现；系统容易构建，用深度神经网络即可端到端的完成小样本条件下的图像分类。

本发明授权一种基于属性及注意力引导的小样本图像分类方法在权利要求书中公布了：1.一种基于属性及注意力引导的小样本图像分类方法，其特征在于，包括以下步骤： 1准备初始数据：初始数据包括图像数据，类别标签与属性标签； 2自注意力网络的构建：将图像样本输入ResNet-12网络获得初级视觉特征，然后通过注意力机制将样本的初级视觉特征转换为自注意力特征，为下一个模块提供可靠的输入； 3属性预测网络的构建：将查询样本图像输入到通道注意力网络获取注意力特征，再通过属性定位模块对当前样本包含属性进行预测； 将图像特征输入到一个通道注意力网络中，获得注意力特征，然后将其输入到属性定位模块，属性定位模块通过一个全连接层获取注意力特征对应的估计变换矩阵；根据估计变换矩阵对注意力特征进行双线性插值采样，采样后的特征通过一个全连接层即为最终的属性预测特征； 4自适应融合网络的构建：将步骤2中输出的自注意力特征与步骤3中的属性信息进行自适应融合，得到校正后的图像特征； 将查询样本属性预测特征和支持样本属性标记向量输入到权重计算网络中，得到它们各自的融合比例参数，其中权重计算网络由两个线性层构成；自适应融合网络将输入的查询样本自注意力特征与查询样本预测特征以比例进行融合，将支持样本自注意力特征与支持样本标记向量以比例进行融合，得到视觉特征与属性信息相结合的融合特征； 5互注意力网络的构建：针对步骤4中获得的支持样本和查询样本的融合特征分析图像间的区域相关性； 5-1输入一对支持样本和查询样本的融合特征；首先使用一个点卷积层将它们转换为更紧凑的特征，互注意力计算过程根据余弦相似度计算构造相关张量； 5-2将相关张量输入到一个卷积块中进行几何匹配；该卷积块由两个四维卷积层组成，第一个卷积层产生多个相关张量，第二个卷积层将这些张量聚合为单个相关张量，由此得到互注意力相关张量，该张量表示样本间的匹配得分；该过程通过分析四维空间中相邻匹配的一致性，实现几何匹配的作用； 5-3互注意力映射图计算；将互注意力相关张量转换为互注意力映射图，互注意力映射图的计算是将样本间匹配得分转换为一个样本中的各个位置与另一个样本中所有位置的平均匹配概率；将融合特征的每个位置分别乘以互注意力映射图即可获得最终的特征；查询样本最终特征的计算公式如下： ； 其中，为查询样本最终的特征，表示查询样本特征图上的空间位置，为查询样本的互注意力映射图，为查询样本视觉特征与属性信息相结合的融合特征，∑表示求和运算符； 支持样本最终特征的计算公式如下： ； 其中，为支持样本最终的特征，表示支持样本特征图上的空间位置，为支持样本的互注意力映射图，为支持样本视觉特征与属性信息相结合的融合特征，∑表示求和运算符； 6基于步骤2、步骤3、步骤4和步骤5得到卷积神经网络进行训练；监督方式采用构建的损失函数逐步迭代优化网络参数；当训练完毕，利用训练好的模型在测试集上进行测试，得到相应图像分类结果； 6-1在基础网络ResNet-12上使用额外的全连接分类层计算；该损失指导模型分类，计算公式如下： ； 其中表示查询样本的初级视觉特征，和分别是全连接层中的权重和偏差，表示训练集类别； 6-2对于网络框架，包括自注意力网络、属性预测网络、自适应融合网络和互注意力网络，整体进行端对端的监督训练；基于度量的损失引导模型将查询特征映射到接近同一类的原型，通过查询样本和支持集原型之间的余弦相似度计算基于度量的损失： ； 其中是余弦相似度，是标量系数；表示n个类K个查询样本特征向量的平均值；同样，为一组原型，为n个类的K个支持样本特征向量的平均值； 6-3对属性预测网络部分，另外采用加权二元交叉熵损失函数，以属性信息为标签进行监督； ； 其中M是属性的个数，是第m个属性的标签，是第m个属性的预测值，表示sigmoid激活函数； 6-4最终结合所有损失函数与比例参数的定义如下： ； 其中和是平衡损失项的超参数。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２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。