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！

龙图腾网获悉兰州理工大学申请的专利一种基于特征扩散模型的图像分类方法及装置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：CN116863239B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202310888587.3，技术领域涉及：G06V10/764；该发明授权一种基于特征扩散模型的图像分类方法及装置是由武继杰;张志敏;丁硕;王朗;孙浩;郭紫杰;张文斌;曾俊瑀;李晓旭设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于特征扩散模型的图像分类方法及装置在说明书摘要公布了：本发明公开了一种基于特征扩散模型的图像分类方法及装置，涉及图像分类技术领域。引入特征迁移和扩散模型的技术，将样本的深层卷积特征作为条件，深层特征在此基础上进行去噪，使得去噪后的特征与同类别样本的特征拥有较高的相似性。采用特征扩散的方式在基类数据下学习一个较好的特征提取器，提取高辨识度的视觉特征，生成更具判别性的特征，与此同时相比于原始的扩散模型算法，所需的数据量少，易于实现，且节省了大量的时间和计算资源成本。在测试阶段采用余弦距离衡量查询样本特征和去噪后的特征之间余弦相似性，进而对新类的查询样本进行分类，从而提升小样本图像分类的性能。

本发明授权一种基于特征扩散模型的图像分类方法及装置在权利要求书中公布了：1.一种基于特征扩散模型的图像分类方法，其特征在于，包括如下步骤： S1、数据准备，图像数据包括训练集和测试集，其中，训练集作为基类数据用来训练模型，测试集作为新类数据用来测评模型的小样本图像分类性能，将新类数据组织为C-wayK-shot的分类任务； S2，使用基类数据训练特征扩散模型，并得到最优的图像分类模型；所述的图像分类模型由嵌入模块fθ、特征扩散模块和距离度量模块三部分组成，其中，嵌入模块fθ用于对输入的图像数据提取特征，θ为可学习的参数；特征扩散模块将一个输入样本的特征作为输入，经过多次迭代去噪，生成同类的目标特征；特征扩散模块包含一个去噪网络 为可学习的参数；距离度量模块用于计算生成的样本特征与查询样本特征之间的余弦距离，并根据余弦距离的远近对该查询样本进行分类； S3，利用最优的图像分类模型对测试图像进行分类； 步骤S2包括以下子步骤： 步骤S21，提取正样本对特征 对于基类数据下采样的一个正样本对将输入样本和目标样本分别送入共享参数的嵌入模块fθ提取特征，得到输入样本特征和查询样本特征其中d,h,w分别是特征图的维度、长和宽；嵌入模块fθ采用常用的卷积神经网络，具体包含四层卷积块，每层卷积块包含以下部分：一个输出维度为64的3×3卷积核的卷积层，步长为1，输入填充为1；一个2×2的最大池化层；一个批归一化层和一个非线性激活函数ReLU； 步骤S22，优化特征扩散模型 给定一系列的超参数T代表总的迭代次数，βt是由0.0001到0.02的T个线性插值，设αt＝1-βt，表示前t次的累乘，即对于步骤S21得到的第i个目标样本特征进行高斯噪声网络的更新以及输入特征的去噪，得到最终去噪的输出特征 步骤S23，计算损失并优化嵌入网络 采用均方误差损失函数MSELoss计算第i个样本去噪后的特征和目标特征之间的误差，具体计算公式为：将高斯噪声模块的参数冻结，使用SGD优化算法仅优化嵌入模块fθ的参数θ；SGD优化算法具体计算公式为：其中η为学习率，初始设置为0.01，为θ的梯度，θ*为优化后的结果；接着正样本对索引i＝i+1，在基类数据中重新采样正样本对Xi，同样的执行步骤S22-S23，直到i＝Npairs，其中Npairs为总共采样的样本对数量； 步骤S24，输出最优的模型 在步骤23的迭代中，将loss最小时的嵌入模块作为最优的嵌入模块并进行输出，其中θ*为最优的模型参数。

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兰州理工大学，其通讯地址为：730050 甘肃省兰州市七里河区兰工坪287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”。