買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉復(fù)旦大學(xué)申請(qǐng)的專(zhuān)利基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116152554B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202310058204.X，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)是由陳靜靜;卓林海;姜育剛設(shè)計(jì)研發(fā)完成，并于2023-01-16向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，具體為基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)。本發(fā)明系統(tǒng)包括基于知識(shí)引導(dǎo)的參數(shù)初始化模塊以及小樣本分類(lèi)器訓(xùn)練模塊。本發(fā)明先構(gòu)建視覺(jué)以及語(yǔ)義知識(shí)圖譜，之后通過(guò)參數(shù)初始化模塊利用知識(shí)圖譜將知識(shí)從預(yù)訓(xùn)練的分類(lèi)器中遷移到小樣本的數(shù)據(jù)集中，最終生成小樣本分類(lèi)器的初始化參數(shù)。之后小樣本分類(lèi)器訓(xùn)練模塊利用得到的初始化參數(shù)初始化小樣本分類(lèi)器的參數(shù)，并在小樣本數(shù)據(jù)集上訓(xùn)練得到小樣本圖像分類(lèi)器，用于對(duì)小樣本圖像進(jìn)行識(shí)別。本發(fā)明引入雙流知識(shí)圖譜能夠提供更強(qiáng)的類(lèi)別之間的聯(lián)系，為小樣本分類(lèi)器提供更好的初始化參數(shù)，使分類(lèi)器在樣本較少的情況下快速收斂，從而提高分類(lèi)器的分類(lèi)性能。

本發(fā)明授權(quán)基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種基于知識(shí)引導(dǎo)的小樣本圖像識(shí)別系統(tǒng)，其特征在于，是采用深度學(xué)習(xí)技術(shù)的，包括兩個(gè)模塊：基于知識(shí)引導(dǎo)的分類(lèi)器參數(shù)初始化模塊，簡(jiǎn)稱(chēng)參數(shù)初始化模塊，小樣本分類(lèi)器訓(xùn)練模塊；由參數(shù)初始化模塊利用知識(shí)圖譜將知識(shí)從預(yù)訓(xùn)練的分類(lèi)器中遷移到小樣本的數(shù)據(jù)庫(kù)中，生成小樣本分類(lèi)器的初始化參數(shù)；由小樣本分類(lèi)器訓(xùn)練模塊利用得到的初始化參數(shù)初始化小樣本分類(lèi)器的參數(shù)，在小樣本數(shù)據(jù)集上訓(xùn)練，得到小樣本圖像分類(lèi)器，用于對(duì)小樣本圖像進(jìn)行識(shí)別； 所述參數(shù)初始化模塊中： 首先，分別構(gòu)建視覺(jué)關(guān)系以及語(yǔ)義關(guān)系知識(shí)圖譜，以建立預(yù)訓(xùn)練模型中的類(lèi)別與待分類(lèi)的小樣本類(lèi)別之間的聯(lián)系；其中： 視覺(jué)關(guān)系知識(shí)圖譜構(gòu)建具體步驟如下： （1）以類(lèi)別為單位，將小樣本類(lèi)別與源數(shù)據(jù)庫(kù)中每個(gè)類(lèi)別中的所有訓(xùn)練樣本進(jìn)行平均，提取到每個(gè)類(lèi)別的視覺(jué)特征中心； （2）計(jì)算每個(gè)類(lèi)別之間的余弦相似度； （3）用鄰接矩陣表示知識(shí)圖譜，設(shè)定閾值T v ，余弦相似度大于該閾值的兩個(gè)類(lèi)別被認(rèn)為在視覺(jué)知識(shí)圖譜上是有聯(lián)系的，在鄰接矩陣上相應(yīng)位置標(biāo)1表示； 語(yǔ)義關(guān)系知識(shí)圖譜構(gòu)建具體步驟如下： （1）計(jì)算兩個(gè)類(lèi)別在wordnet層級(jí)結(jié)構(gòu)上的距離，距離以跳數(shù)表示，即某一個(gè)類(lèi)別到其父親或者兒子類(lèi)別節(jié)點(diǎn)的距離為1，到其祖父或者孫子節(jié)點(diǎn)的距離為2； （2）用鄰接矩陣表示知識(shí)圖譜，設(shè)定閾值T s ，距離小于該閾值的兩個(gè)類(lèi)別被認(rèn)為在語(yǔ)義知識(shí)圖譜上是有聯(lián)系的，在鄰接矩陣上相應(yīng)位置標(biāo)1表示； 然后，采用視覺(jué)、語(yǔ)義雙流圖卷積網(wǎng)絡(luò)模型，利用視覺(jué)以及語(yǔ)義的知識(shí)圖譜將預(yù)訓(xùn)練雙流圖卷積網(wǎng)絡(luò)模型中的知識(shí)遷移到小樣本數(shù)據(jù)集中，并生成小樣本分類(lèi)器的初始化參數(shù)；具體步驟如下： （1）以類(lèi)別為單位，將小樣本類(lèi)別與源數(shù)據(jù)庫(kù)中每個(gè)類(lèi)別中的所有訓(xùn)練樣本進(jìn)行平均，提取到每個(gè)類(lèi)別的視覺(jué)特征中心；將每個(gè)類(lèi)別名字的詞向量作為類(lèi)別的語(yǔ)義特征中心； （2）將所有類(lèi)別的視覺(jué)特征中心以及語(yǔ)義特征輸入視覺(jué)、語(yǔ)義雙流圖卷積網(wǎng)絡(luò)中，用源數(shù)據(jù)集類(lèi)別的分類(lèi)器監(jiān)督源數(shù)據(jù)類(lèi)別節(jié)點(diǎn)的輸出，用于監(jiān)督的損失函數(shù)采用均方損失函數(shù)L； 所述雙流圖卷積神經(jīng)網(wǎng)絡(luò)，具體表達(dá)式如下： （1） 其中，σ為leakyReLU激活函數(shù),l為圖神經(jīng)網(wǎng)絡(luò)的層數(shù)，H （l+1） 為圖神經(jīng)網(wǎng)絡(luò)第l層的輸出，A S 為語(yǔ)義關(guān)系知識(shí)圖譜的鄰接矩陣，A V 為視覺(jué)關(guān)系知識(shí)圖譜的鄰接矩陣，H （1） 為當(dāng)l不等于0時(shí)雙流圖卷積神經(jīng)網(wǎng)絡(luò)的輸入，q （l,s） 為第l層雙流圖卷積神經(jīng)網(wǎng)絡(luò)中語(yǔ)義關(guān)系流圖卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，q （l,v） 為為第l層雙流圖卷積神經(jīng)網(wǎng)絡(luò)中視覺(jué)關(guān)系流圖卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，F(xiàn) S 為圖卷積第0層的語(yǔ)義輸入，具體為類(lèi)別名字的詞向量，F(xiàn) V 為圖卷積第0層的視覺(jué)輸入，具體為類(lèi)別中所有訓(xùn)練樣本的CLIP視覺(jué)特征的平均值； 損失函數(shù)L使用預(yù)訓(xùn)練的分類(lèi)器參數(shù)與圖卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出的L2距離，具體計(jì)算數(shù)學(xué)公式如下： （2） 其中，m是源數(shù)據(jù)集中類(lèi)別的總數(shù)，d為分類(lèi)器的維度，為預(yù)訓(xùn)練的分類(lèi)器參數(shù)，為圖卷積網(wǎng)絡(luò)最后一層的輸出。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人復(fù)旦大學(xué)，其通訊地址為：200433 上海市楊浦區(qū)邯鄲路220號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。