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！

龙图腾网获悉南昌大学申请的专利一种基于原型校准和自适应微调的小样本人脸识别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：CN119649423B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202411661913.8，技术领域涉及：G06V40/16；该发明授权一种基于原型校准和自适应微调的小样本人脸识别方法是由魏欣;张俊杰;王瀚涛设计研发完成，并于2024-11-20向国家知识产权局提交的专利申请。

本一种基于原型校准和自适应微调的小样本人脸识别方法在说明书摘要公布了：本发明公开了一种基于原型校准和自适应微调的小样本人脸识别方法，包括：1在大规模人脸数据库上对编码器进行预训练，捕获丰富的语义信息和类分布，构建评估集，确保训练身份信息与构建的评估集不重叠；2通过权重印迹方法初始化分类器权重，确保平滑过渡，诱导出编码器的判别结构；3计算微调类原型与预训练原型之间的余弦相似度，通过加权平均融合预训练类信息，校准偏差的微调类原型；4引入自适应间隔损失函数，调整样本惩罚强度，对BatchNorm层和分类器权重进行选择性微调；5使用领域感知相似性NAC校准未知类别拒识，增强与领域样本的相似度关系，得到最终匹配分数。本发明方法能够提高模型在少样本学习场景下的识别精度和拒识能力。

本发明授权一种基于原型校准和自适应微调的小样本人脸识别方法在权利要求书中公布了：1.一种基于原型校准和自适应微调的小样本人脸识别方法，其特征在于，包括以下步骤： 步骤S1、在大规模人脸数据库上对编码器进行预训练，捕获丰富的语义信息和类分布，构建评估集，确保训练身份信息与构建的评估集不重叠； 步骤S2、通过权重印迹方法初始化分类器权重，确保平滑过渡，诱导出编码器的判别结构； 步骤S3、计算微调类原型与预训练原型之间的余弦相似度，通过加权平均融合预训练类信息，校准偏差的微调类原型； 所述原型的定义为：设预训练数据集中有类，微调阶段有类，在微调数据集中校准偏差的原型，给定一个校准后的新类原型，表示为： 2； 公式2中，为微调类的原型，；为校准后的新类原型；是预训练类的一个组成部分；为超参数控制偏差原型的校准强度，较大的表示校准后的原型更多地保留原有的偏差原型，较小的意味着校准后的原型更多地融合了预训练类原型； 所述微调类原型与预训练原型之间的余弦相似度的计算公式如下： 3； 公式3中，为控制权重分布清晰度的缩放超参数，；为预训练类的原型和微调类的原型的相似度；为预训练类的原型；为微调类的原型； 所述通过加权平均融合预训练类信息，校准偏差的微调类原型，针对每一个微调类，仅选择中前top_k个预训练类进行校准，微调类原型相对于预训练类原型的权重由前top_k个预训练类上的softmax结果给出，公式表达如下： 4； 所述微调类原型的偏差校准公式表达为： 5； 步骤S4、引入自适应间隔损失函数，调整样本惩罚强度，对BatchNorm层和分类器权重进行选择性微调； 所述自适应间隔损失函数AML的公式表达为： 6； 公式6中，为正样本的余弦相似度；为负样本的余弦相似度；为所有负样本余弦相似度中的最大值；为正样本的边距；为负样本的自适应边距；为正样本的自适应权重；为缩放因子；为阈值，用于控制负样本的边距；和mul为超参数，用于调整负样本边距和正样本权重； 步骤S5、在评估阶段，使用领域感知相似性NAC校准未知类别拒识，增强与领域样本的相似度关系，得到最终匹配分数。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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。