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！

龙图腾网恭喜东北电力大学申请的专利融合突触重塑及情景记忆网络的小样本类别增量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：CN118711013B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202410765244.2，技术领域涉及：G06V10/774；该发明授权融合突触重塑及情景记忆网络的小样本类别增量学习方法是由孟勃;史伟大设计研发完成，并于2024-06-14向国家知识产权局提交的专利申请。

本融合突触重塑及情景记忆网络的小样本类别增量学习方法在说明书摘要公布了：本发明公开了一种融合突触重塑及情景记忆网络的小样本类别增量学习方法。本发明通过情景记忆网络解码器生成的新类别虚拟数据补充到小样本数据集中，以缓解小样本数据集的数据缺失问题。本发明采用突触重塑方法来生成虚拟数据，以缓解小样本数据集的数据缺失问题，并设计了基于情景记忆网络的抗遗忘学习模型，以解决类别灾难性遗忘问题。突触重塑方法首先对现有的少量数据进行深度分析，提取出具有高代表性的情景特征，然后通过这些特征生成新的虚拟数据。这些虚拟数据保留了原始数据的关键信息，同时引入了适当的变化和多样性，从而丰富了训练集。通过这种方式，模型可以在更大、更丰富的数据集上进行训练，显著提高其泛化能力和预测准确性。

本发明授权融合突触重塑及情景记忆网络的小样本类别增量学习方法在权利要求书中公布了：1.一种融合突触重塑及情景记忆网络的小样本类别增量学习方法，其特征在于，包括以下步骤：S1：获取基础类别图像特征，构建视觉语义模型Pix2pix并使用视觉语义模型Pix2pix将输入图像分成视觉特征向量和语义特征向量S2：视觉特征和语义特征分别经过注意力机制提取基础类别特征，并依据突触长时程重塑性构建重要性参数矩阵，形成突触重塑权值矩阵w1；S3：情景特征编码器对情景特征进行编码，并进一步对情景特征进行突触重塑，形成情景权值矩阵w2；S4：使用对比损失函数约束视觉特征和语义特征的一致性，形成统一的表达空间；S5：对于新的类别输入图像，重复上述特征提取过程，得到新的视觉特征和语义特征，新类别的视觉特征和语义特征作为情景特征，利用情景记忆网络的解码器生成新类别的虚拟数据，最终将通过情景记忆网络解码器生成的新类别虚拟数据补充到小样本数据集中；在利用情景记忆网络的解码器生成新类别的虚拟数据之前还包括：A1：通过对分类预测损失进行正则化处理，构建抗遗忘学习模型，减少分类预测损失；A2：在完成旧任务的训练后，利用情景记忆网络提取所有样本的视觉特征fv、语义特征fc和对齐特征fa，并构建类别的情景特征空间Fi，其表达式为：A3：将特征提取器靠近模型输入部分的共性特征参数冻结，作为基础类别共享特征，并将共享特征保存在情景矩阵的前面，在训练新任务时将共享特征的权重变化Δwepi设置为小的值；A4：在进行新类别识别任务时，提取新特征并与情景特征空间中的向量进行余弦值距离计算，获取分类损失L；A5：计算在学习完后每个任务后的遗忘率，把权值较小的神经元或者输入数据给擦除；将共享特征保存在情景矩阵的前面，使得共享特征将被优先考虑和利用，在训练新任务时，共享特征的影响不会被新特征掩盖，且通过限制共享特征权重变化，能够使得共享特征在新任务训练过程中不会被过量修改；通过公式L＝Lclass+αLsort+βLepi计算获取分类损失的L，其中，Lclass为交叉熵损失、Lsort为旧类特征分布与新类特征分布之间的泛化损失、Lepi为新类特征与旧类特征之间的情景损失，α与β为正则因子用来平衡损失项。

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东北电力大学，其通讯地址为：132022 吉林省吉林市船营区长春路169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”。