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！

龙图腾网恭喜西安理工大学申请的专利基于原型网络的深度领域自适应图像分类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：CN114611617B 。

龙图腾网通过国家知识产权局官网在2025-04-18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：202210259161.7，技术领域涉及：G06V10/764；该发明授权基于原型网络的深度领域自适应图像分类方法是由刘龙;刘泽宁设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本基于原型网络的深度领域自适应图像分类方法在说明书摘要公布了：本发明公开一种基于原型网络的深度领域自适应图像分类方法，包括：预训练好的特征提取器分别对扩充的DS和DT提取特征得到FDS和FDT；将FDS、FDT依次输入第一非线性投影器、第一分类器得到分类损失函数Ld2，分别输入至嵌入模块得F′DS和F′DT和域混淆的损失函数Ld1；定义原型网络，将F′DS和F′DT输入原型网络中到原型损失函数LP1、LP2，通过Ld1、Ld2、LP1、LP2获得总损失函数用于反向训练；采用训练好的原型网络进行分类。本发明解决了现有技术中存在的源域和无标签目标域类别不一致且给定样本数量较少情况下导致训练后分类器预测分类正确率低下的问题。

本发明授权基于原型网络的深度领域自适应图像分类方法在权利要求书中公布了：1.基于原型网络的深度领域自适应图像分类方法，其特征在于，包括以下步骤：步骤1，对包括源域数据和目标域数据的数据集进行扩充；步骤2、建立共享特征提取器，采用预训练好的共享特征提取器分别对扩充的源域数据和目标域数据提取特征，得到特征向量和；步骤3、构建第一非线性投影器、第一分类器，将特征向量、输入至第一非线性投影器后再经第一分类器，得到分类损失函数；步骤4，构建并训练嵌入模块，将特征向量和分别输入至嵌入模块得嵌入特征和和域混淆的损失函数；步骤5定义原型网络，将嵌入模块得到中得到和输入原型网络中，对原型网络进行训练得到原型损失函数、，对损失函数、、进行加权叠加得到总损失函数用于反向训练网络模型；步骤6，采用训练好的原型网络对待分类图像进行分类；所述步骤3包括：步骤3.1，第一非线性投影器中包括依次连接的全连接层、ReLU激活函数层、全连接层，将特征向量和输入至第一非线性投影器中得到特征向量和；步骤3.2，将特征向量和入至第一分类器中得到关于源域和目标域各自的分类预测结果和；步骤3.3，定义领域判别器，领域判别器包括依次连接的三层全连接层，定义在关于源域数据分布目标域数据分布的领域判别器、特征提取器和第一分类器上的分类损失，该损失函数形式化定义为： （1）上式中，、分别代表源域第个样本经过第一非线性投影、分类器后得到的特征向量，、分别代表目标域第个样本经过第一非线性投影、分类器后得到的特征向量，设，定义，式中表示和的外积运算，用于融合第一非线性投影层和第一分类器层的输出，则学习领域独有特征表示的损失函数进一步定义为： （2）采用损失函数，对共享特征提取器、第一非线性投影器、第一分类器进行反向训练；所述步骤4包括：步骤4.1，嵌入模块包括自编码器，自编码器以、为输入，输出对应的降维重构向量，在自编码器中加入注意力机制作为强制约束，注意力机制包括全连接层，其中注意力机制采用注意力分数用于删除任何域特定信息；将特征向量、输入嵌入模块最终输出嵌入向量和；步骤4.2，将嵌入向量和输入至第二非线性投影器得到和；再经过第二分类器中得到对应源域和目标域各自的分类预测结果和；步骤4.3、定义在源域数据分布目标域数据分布的嵌入模块和第二分类器上的域对抗损失，该损失函数形式化定义为： （3）上式中，、分别代表源域第个样本经过第二非线性投影、分类器后得到的特征向量，、分别代表目标域第个样本经过第二非线性投影、分类器后得到的特征向量，设，定义，式中仍表示和的外积运算，则域对抗损失等价为： （4）步骤4.4、虽然经过嵌入模块后源域、目标域数据尽可能的实现域混淆，但不同样本域混淆的困难程度不同，网络模型对不同的样本应保持一致性，故引入广义熵指数： （5）上式中，代表每批次训练中的样本个数，代表着第个样本的对应的损失函数值，代表着一批次样本的平均损失函数值，令，计算每批次源域、目标域数据对应的广义熵指数并记为和，则最终通过域对抗以实现域混淆的损失函数定义为： （6）采用损失函数对嵌入模块、第二非线性投影器、第二分类器进行反向训练。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。