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！

龙图腾网获悉上海工程技术大学申请的专利一种小样本图像分类方法、设备及存储介质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：CN116452864B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202310334324.8，技术领域涉及：G06V10/764；该发明授权一种小样本图像分类方法、设备及存储介质是由曹晋英;韩华;高永彬;黄丽设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本一种小样本图像分类方法、设备及存储介质在说明书摘要公布了：本发明涉及一种小样本图像分类方法、设备及存储介质，该方法包括：采用特征提取网络对小样本图像进行特征提取，得到特征向量；构建参数优化学习模型，将特征向量转化为分类器参数；在互斥的小样本图像训练集与测试集中，对参数优化学习模型的分类器参数进行设定轮次的训练，得到参数化后的基学习器；对参数化后的基学习器引入新的元参数进行优化与更新，采用优化后的元学习模型实现小样本图像分类。与现有技术相比，本发明具有分类准确率高的优点。

本发明授权一种小样本图像分类方法、设备及存储介质在权利要求书中公布了：1.一种小样本图像分类方法，其特征在于，该方法包括以下步骤： 步骤S1、在小样本图像数据集上建立互斥的训练集与测试集，完成数据预处理过程； 步骤S2、将小样本图像输入特征提取网络之中，以残差网络模块作为特征提取器对于输入的小样本图像进行特征提取，得到特征向量； 步骤S3、引入元参数使用可微的参数优化学习模型进行基学习器参数训练，并将特征向量转化为分类器参数，完成元训练阶段； 步骤S4、将训练得到的分类器参数结合线性分类器进行类别预测，得到分类器的预测结果； 步骤S5、在基学习器实现参数化过程后，对于分类器参数进行优化更新，引入新的元参数训练元学习器，实现元测试过程； 步骤S6、在元学习器的训练中，基于参数优化学习模型的分类损失函数，更新分类器的预测结果，重复步骤S3-S6进行元训练与元测试过程不断实现参数优化，得到最终的元学习模型； 步骤S7、在训练集与测试集上根据训练得到的元学习模型完成小样本图片分类； 所述参数优化学习模型为基于Lasso回归的小样本图像分类模型，数学表达式为： 式中，为基于Lasso回归的小样本图像分类模型输出的最佳权重参数，Z表示用于元训练的数据集，X、Y分别表示元训练集样本输入特征向量与输出特征向量；I为与X、Y同阶的单位矩阵；后一项为L1正则化惩罚项，λ表示正则化项参数； 所述基于Lasso回归的小样本图像分类模型中，根据其参数正则化性质得到的损失函数，损失函数形式如下： 式中，n为样本数量，X、Y分别表示样本输入特征向量与输出特征向量，α1表示可调节超参数，与更新后的权重参数W’均作为元参数用于训练； 或所述参数优化学习模型为基于弹性网络回归的小样本图像分类模型，数学表达式为： 式中，为基于Lasso回归的小样本图像分类模型输出的最佳权重参数，Z表示用于元训练的数据集，X、Y分别表示元训练集样本输入特征向量与输出特征向量，I为与X、Y同阶的单位矩阵，后两项分别为L1正则化惩罚项与L2正则化惩罚项，λ表示正则化项参数； 所述基于弹性网络回归的小样本图像分类模型，损失函数表达式为： 式中，n为样本数量，X、Y分别表示样本输入特征向量与输出特征向量；α2、β表示可调节超参数，与更新后的权重参数W’均作为元参数用于训练； 在参数训练过程中采用次梯度的思想，利用坐标轴下降法兼顾不可导点更新分类器权重参数W： 其中，为第次迭代更新后的权重参数；为权重参数矩阵的维度，表征设定的迭代次数。

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上海工程技术大学，其通讯地址为：201620 上海市松江区龙腾路333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。