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！

龙图腾网获悉上海交通大学申请的专利一种基于相似性正则化类内挖掘的跨粒度小样本学习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：CN115359294B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202211012661.7，技术领域涉及：G06V10/764；该发明授权一种基于相似性正则化类内挖掘的跨粒度小样本学习方法是由杨华;杨锦海设计研发完成，并于2022-08-23向国家知识产权局提交的专利申请。

本一种基于相似性正则化类内挖掘的跨粒度小样本学习方法在说明书摘要公布了：本发明提供一种基于相似性正则化类内挖掘的跨粒度小样本学习方法，包括：利用图像特征提取网络生成训练图像样本特征；实施第一优化环，利用弱监督对深度学习模型的粗粒度类别间语义辨识性进行约束；实施第二优化环，通过对称的特征嵌入器和非对称的特征预测器，实现粗粒度类别内部的相似性正则化；将第一优化环与第二优化环损失相加，对整个网络结构进行端到端的误差反向传播，对网络参数进行优化；利用场景式微调使得到的图像特征提取网络适应小样本分类任务，最终得到细粒度小样本分类模型。本发明联合并改进弱监督和自监督两种学习范式的协同优化，同时考虑粗粒度类别的类内和类间辨识性，能得到更具有细粒度辨识能力的小样本分类模型。

本发明授权一种基于相似性正则化类内挖掘的跨粒度小样本学习方法在权利要求书中公布了：1.一种基于相似性正则化类内挖掘的跨粒度小样本学习方法，其特征在于，包括： 利用图像特征提取网络生成训练图像样本特征； 基于所述图像样本特征，实施第一优化环，利用弱监督对深度学习模型的粗粒度类别间的语义辨识性进行约束； 基于所述图像样本特征，实施第二优化环，通过对称的特征嵌入器和非对称的特征预测器，实现粗粒度类别内部的相似性正则化约束； 将所述第一优化环与所述第二优化环两部分损失相加，对整个网络结构进行端到端的误差反向传播，对网络参数进行优化，得到优化的图像特征提取网络； 利用场景式微调使得所述优化的图像特征提取网络适应小样本分类任务，最终得到细粒度小样本分类模型； 所述利用图像特征提取网络生成训练图像样本特征，包括： 构建所述图像特征提取网络； 定义数据增广集合； 训练集中的图像样本基于所述数据增广集合和所述图像特征提取网络，生成隐层视图； 所述训练集中的图像样本基于数据增广集合和图像特征提取网络，生成隐层视图，包括： 对训练集的每个图像样本，在每一次迭代中均经过所述数据增广集合采样得到两个增广函数； 基于所述两个增广函数，将每个图像样本投射为正样本对； 对所述正样本对中的两个样本矩阵，分别利用图像特征提取网络将其从样本空间投射为设定维数的实数向量空间，得到两个增广的训练图像样本特征，称为隐层视图； 基于所述图像样本特征，实施第二优化环，通过对称的特征嵌入器和非对称的特征预测器，实现粗粒度类别内部的相似性正则化约束，包括： 基于多层感知机，构建三层的特征嵌入器和双层的特征预测器； 基于所述特征嵌入器和特征预测器对所述隐层视图进行对称的嵌入预测，其中，利用所述特征嵌入器将所述隐层视图投射为嵌入向量；利用所述特征预测器执行所述嵌入向量之间的相互预测，获得预测向量；计算一个嵌入向量的对应的预测向量与另一个嵌入向量本身的余弦相似度； 对所述隐层视图进行对称的嵌入预测，其中，计算取得粗粒度内部自监督损失为： 其中，为梯度截断操作，防止两侧样本出现特征崩塌现象，分别为一个隐层视图对应的预测向量和嵌入向量；分别为另一个隐层视图对应的预测向量和嵌入向量，CS表示余弦相似度。

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交通大学，其通讯地址为：200240 上海市闵行区东川路800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。