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！

龙图腾网获悉电子科技大学申请的专利一种基于多任务表征学习的小样本SAR图像目标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：CN115187983B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202210698464.9，技术领域涉及：G06V20/70；该发明授权一种基于多任务表征学习的小样本SAR图像目标识别方法是由于雪莲;王曦;任浩浩;刘森;徐笑;周云设计研发完成，并于2022-06-20向国家知识产权局提交的专利申请。

本一种基于多任务表征学习的小样本SAR图像目标识别方法在说明书摘要公布了：本发明公开了一种基于多任务表征学习的小样本SAR图像目标识别方法，应用于SAR图像解译领域，以解决小样本条件下的SAR图像目标特征提取问题。首先，本发明构建以残差学习为基本架构的特征提取模型，采用形变卷积运算实现目标形态学特征提取，并基于注意力机制完成特征通道筛选；然后，采用多任务学习方式来提升特征提取模型的表征能力；最后，采用具有多任务表征学习能力的特征提取模型来提取小样本SAR图像目标特征，以拟合一个逻辑回归分类器，从而实现目标类别推理。本发明可在不同程度样本匮乏条件以及不同俯仰角条件下提升小样本SAR图像目标识别性能，具有较好的泛化能力和准确性。

本发明授权一种基于多任务表征学习的小样本SAR图像目标识别方法在权利要求书中公布了：1.一种基于多任务表征学习的小样本SAR图像目标识别方法，该方法步骤如下： 步骤1：采集具有充足数量的辅助类SAR图像样本Db＝{x,y}，其中是一幅通道数为1，像素大小为h×w的SAR图像，表示该幅SAR图像的类别标签，总共有Nb个类别；同时，采集小样本SAR目标样本集Df＝{x,y}，其中表示小样本SAR图像的类别标签，且Nb个辅助类和Nf个小样本目标类是完全不相交的； 步骤1.1：将所有SAR图像裁剪为统一像素大小的感兴趣目标区域； 步骤1.2：将辅助类SAR图像样本进行多种几何变换，并对变换后的SAR图像样本进行变换标注； 步骤2：设计多任务表征学习网络，并采用步骤1中的辅助类SAR图像样本进行网络训练； 所述多任务表征学习网络包括：特征提取器fB、等变特征学习分支fE、不变特征学习分支fI、类边界学习分支fC，所述特征提取器fB的输入为SAR图像，等变特征学习分支fE、不变特征学习分支fI、类边界学习分支fC的输入为特征提取器fB的输出； 步骤2.1：构建特征提取器fB； 采用形变卷积运算以赋予特征提取器fB感知目标形态学特征的能力，并通过注意力机制在特征通道层面进行特征自适应增强与抑制，以获取有强大信息量的特征映射； 步骤2.2：构建等变特征学习分支fE； 根据变换标注，采用有监督的方式让特征提取器具有感知目标样本发生变化的能力，等变特征学习分支的损失函数采用交叉熵损失函数，其表达式如下： 其中，N表示输入网络的SAR图像样本数，Nt表示SAR图像的转换类别数，yij为人工赋予的转换类别标签，Pij表示样本i属于类别j的预测概率； 步骤2.3：构建不变特征学习分支fI； 为了让特征提取器具有提取目标不变特征的能力，采用对比损失函数让具有不同转换类别的相同SAR图像样本的相似度更高，其表达式如下： 其中，s·表示相似性函数，Dn表示负样本特征集合，τ表示可调节的温度系数，M表示转换类别总数，v0表示没有经过任何转换的原始图像特征，vm表示经过第m种转换的SAR图像特征，v0表示存储的v0图像特征； 步骤2.4：构建类边界学习分支fC； 根据类别标签y，采用有监督的方式让相同类别的SAR图像样本在特征嵌入空间中聚合，类边界学习分支的损失函数同样采用交叉熵损失函数，其表达式如下： 其中，Nb表示SAR图像的类别数，表示类别标签；pij表示样本i属于类别j的预测概率； 步骤2.5：采用三重损失函数来联合训练多任务表征学习网络，总损失函数定义如下： L＝Leq+Lin+Lba 步骤3：采用训练好的特征提取器fB对小样本SAR图像目标特征提取； 步骤4：采用步骤3提取的特征拟合一个逻辑回归分类器，完成小样本目标识别任务。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区（西区）西源大道2006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”。