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！

龙图腾网获悉广州大学申请的专利基于生成对抗网络原型修正的少样本图像分类方法及系统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：CN117237727B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202311215737.0，技术领域涉及：G06V10/764；该发明授权基于生成对抗网络原型修正的少样本图像分类方法及系统是由杨钊;罗柳飞;曹任龙;丰帅龙设计研发完成，并于2023-09-19向国家知识产权局提交的专利申请。

本基于生成对抗网络原型修正的少样本图像分类方法及系统在说明书摘要公布了：本发明公开了一种基于生成对抗网络原型修正的少样本图像分类方法及系统，其中，方法包括：将数据集划分为训练集、验证集和测试集，由训练集训练得到特征嵌入网络以及对抗网络；利用特征嵌入网络提取样本特征，对样本特征进行修正得到提前修正的类别原型，将噪声和提前修正的类别原型输入对抗网络，生成伪样本特征，得到伪类别原型；融合伪类别原型和提前修正的类别原型得到二次修正的类别原型，对训练集样本进行相似性度量，得到样本的分类损失，用于微调特征嵌入网络；由验证集验证特征嵌入网络性能，获取最优特征嵌入网络；通过最优特征嵌入网络进行少样本任务测试，对测试中的每个类别原型进行修正，基于修正后的原型实现对查询样本的分类。

本发明授权基于生成对抗网络原型修正的少样本图像分类方法及系统在权利要求书中公布了：1.一种基于生成对抗网络原型修正的少样本图像分类方法，其特征在于，包括： 将图像数据集分为训练集、验证集和测试集，根据所述训练集进行训练得到特征嵌入网络以及生成对抗网络； 利用特征嵌入网络提取训练集的样本特征，对样本特征进行提前修正得到提前修正的类别原型，将噪声和提前修正的类别原型输入生成对抗网络，生成每个类别的伪样本特征，基于每个类别的伪样本特征得到每个类别的伪类别原型； 通过融合伪类别原型和提前修正的类别原型，得到二次修正后的类别原型，利用二次修正后的类别原型对从训练集采样的训练任务中的查询集样本进行相似性度量，得到训练集样本的分类损失，利用分类损失微调特征嵌入网络，基于验证集生成多个少样本验证任务，利用少样本验证任务对微调后的特征嵌入网络进行性能验证，获取效果最优的特征嵌入网络； 利用最优的特征嵌入网络进行少样本任务测试，对少样本任务测试中的每个类别原型进行修正，基于修正后的类别原型实现对测试任务中查询样本的分类； 其中，利用特征嵌入网络提取训练集的样本特征，对样本特征进行提前修正得到提前修正的类别原型，将噪声和提前修正的类别原型输入生成对抗网络，生成每个类别的伪样本特征，基于每个类别的伪样本特征得到每个类别的伪类别原型具体包括： 利用特征嵌入网络提取训练集的样本特征，对提取的样本特征进行提前修正，基于修正后的样本特征得到提前修正的类别原型，将噪声和提前修正的类别原型输入WGAN，生成每个类别的伪样本特征，计算每个类别的伪样本特征和提前修正的类别原型之间的余弦相似度，基于余弦相似度，通过softmax函数获取每个类别的伪样本特征的权重系数，将权重系数与每个类别的伪样本特征相乘，得到加权后的每个类别的伪样本特征，并对加权后的每个类别的伪样本特征求和得到每个类别的伪类别原型； 利用特征嵌入网络提取训练集的样本特征具体包括： 利用特征嵌入网络根据公式5和公式6提取训练集的样本特征： 公式5； 公式6； 其中，为特征嵌入网络，和分别表示支持集中第个类别的第个样本及其对应的样本特征，和分别表示查询集中第个类别的第个样本及其对应的样本特征； 对提取的样本特征进行提前修正，基于修正后的样本特征得到提前修正的类别原型具体包括： 使用分别带有可学习参数、和的1×1卷积层对样本特征进行线性变换得到新的特征图查询向量、键向量和值向量，将维度转换为，其中，表示支持集中第个类别的第个样本特征，、和分别代表样本特征的通道数量、高度和宽度，将转置后与进行矩阵乘法操作，通过softmax函数获得如公式8所示的注意力图： 公式7； 公式8； 其中，表示自然指数函数，表示转置后的查询向量的第个位置，表示键向量的第个位置，表示注意力图中第行，第列的位置，为缩放因子，分别代表样本特征的高度和宽度，代表维度； 将值向量与转置后的注意力图进行矩阵乘法操作，将乘法操作后的结果维度转换成与样本特征相同的维度，再与样本特征逐元素相加，得到如公式9所示的修正后的样本特征： 公式9； 其中，为修正后的样本特征，为转置后的注意力图，表示支持集中第个类别的第个样本特征，为其值向量； 基于修正后的样本特征，根据公式10得到提前修正的类别原型： 公式10； 其中，代表第个提前修正的类别原型，表示支持集中该类别的样本数量，为修正后的样本特征； 将噪声和提前修正的类别原型输入WGAN，生成如公式11所示的每个类别的伪样本特征： 公式11； 其中，表示随机采样的噪声，代表第个提前修正的类别原型，表示WGAN中的生成器，表示为类别生成的第个伪样本特征； 计算每个类别的伪样本特征和提前修正的类别原型之间的余弦相似度，基于余弦相似度，通过softmax函数获取如公式12所示的每个类别的伪样本特征的权重系数： 公式12； 其中，为余弦相似度，表示为类别生成的第个伪样本特征，代表第个提前修正的类别原型，为类别数量，表示伪样本特征的权重系数，表示第个类别原型； 将权重系数与每个类别的伪样本特征相乘得到如公式13所示的加权后的每个类别的伪样本特征： 公式13； 其中，表示为类别生成的第个伪样本特征，表示归一化后的权重系数，表示伪样本特征的权重系数，表示生成器为每个类别生成伪样本特征的数量，为加权后的伪样本特征； 对加权后的每个类别的伪样本特征求和得到如公式14所示的每个类别的伪类别原型： 公式14； 其中，表示生成器为类别生成伪样本特征的数量，表示类别中第个加权后的伪样本特征，代表第类的伪类别原型。

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广州大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道大学城外环西路230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。