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类别相关特征重建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：CN116863237B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310888147.8，技术领域涉及：G06V10/764；该发明授权一种基于类别相关特征重建的图像分类方法及装置是由武继杰;胥骁麟;薛少英;王宪辉;王湘阳;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。

本一种基于类别相关特征重建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类别相关特征重建的图像分类方法及装置，涉及图像分类技术领域。本发明采用特征重建的方式，首先通过支持特征过滤模块对无关特征和背景特征进行过滤，保留类别相关的关键性的特征，并使用这些关键的特征对同类的特征进行重建，使模型拥有对类别相关的关键特征提取的能力。通过构建一个类别相关的特征重建网络，来学习高辨识度的特征，从而提高小样本图像分类的能力，解决了目前的基于度量学习的小样本图像分类方法对样本特征进行直接的度量存在视觉特征不对齐、无关特征和背景特征干扰等问题，保证度量结果的准确性。

本发明授权一种基于类别相关特征重建的图像分类方法及装置在权利要求书中公布了：1.一种基于类别相关特征重建的图像分类方法，其特征在于，包括如下步骤： S1、数据准备，数据包括训练集和测试集，训练集和测试集的类别空间互斥，训练集作为基类数据用于训练模型，测试集作为新类数据用于测评模型的小样本图像分类性能； S2、基类数据训练类别相关特征，使用类别相关特征重建小样本图像分类模型，优化模型参数得到最优的分类模型；基于类别相关特征重建的小样本图像分类模型由嵌入模块、支持特征过滤模块、特征重建模块和距离度量模块四部分组成；其中，嵌入模块用于提取输入的图像数据特征；支持特征过滤模块依据支持样本局部特征的重要程度对无关特征或背景等干扰特征进行剔除，仅保留与类别相关的特征；特征重建模块使用过滤后的类别相关特征对查询样本特征进行重建，得到重建的查询样本特征；距离度量模块计算重建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； 步骤S2包括以下子步骤： 步骤S21、提取样本特征 对于基类数据的一个任务，其中，，表示基类数据中第类的第个支持样本，表示基类数据中第个查询样本，表示基类数据中第类的第个支持样本的one-hot标签，如果该样本属于第类，则第个位置值为1，其余位置值为0；表示基类数据中第个查询样本的one-hot标签，如果该样本属于第类，则第个位置值为1，其余位置值为0； 将训练集支持样本和查询样本分别送入嵌入模块提取特征，得到支持样本特征和查询样本特征，其中分别是特征的维度、长和宽，将一个的向量称作一个局部特征，每个样本共有个局部特征；特征提取模块采用卷积神经网络，为可学习的参数，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的卷积核的卷积层，步长为1，输入填充为1；一个的最大池化层；一个批归一化层和一个非线性激活函数ReLU； 步骤S22、过滤支持样本局部特征中的无关局部特征 对于步骤S21得到的支持样本特征，将每个类的所有局部特征放在一起，构成第类的一个特征池，表示为然后对每个类特征池中的个局部特征求平均，得到第类的全局平均特征然后计算第类的特征池中的每个局部特征与全局平均特征的余弦距离，i∈[1,2,…,hwk]表示每个局部特征的索引，余弦距离具体表示为：，并将所有余弦距离构成一个集合其中表示二范数；对集合中余弦距离按数值从大到小排列，选取前个并记录所对应的索引，将这个索引所对应的局部特征构成一个集合，并拼接得到过滤后的局部特征向量； 步骤S23、特征重建 将步骤S22得到的过滤后的局部特征向量输入特征重建模块对查询样本特征进行重建，得到重建的查询样本特征；特征重建模块具体为一个Transformer网络，为可学习的参数，其中Transformer的计算包含一个Attention，一个层正则化LN和一个多层感知机MLP，其中Attention的具体计算为： ， 其中，分别表示Attention计算的查询、键和值，是的转置； 过滤后的局部特征向量输入Attention的计算得到特征： ， 其中，，和分别为的可学习的权重参数； 将上步得到的输入LN和MLP再进行计算，得到重建的查询样本特征： ， 步骤S24、计算余弦距离 使用余弦距离公式计算步骤S21得到的查询样本特征和步骤S23得到的重建的查询样本特征之间的余弦相似性，余弦距离公式为：，表示第个查询样本跟第类的余弦相似性； 步骤S25、计算分类损失并优化模型 使用步骤S24中得到的余弦相似性和查询样本的真实标签计算交叉熵损失，交叉熵损失计算公式为： ， 其中，为交叉熵损失函数； 使用SGD优化算法优化嵌入模块和特征重建模块的参数和；SGD优化算法具体计算公式为：，其中为学习率，初始设置为0.01，为和的梯度，为优化后的结果； 接着任务数，在基类数据中重新采样任务，同样的执行步骤S21-S25，直到； 步骤S26、输出最优的类别相关特征重建模型； 在步骤S25的迭代中，将最小时的模型作为最优的模型； S3、利用最优的模型对测试图像进行分类。

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”。

以上内容由龙图腾AI智能生成。