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！

龙图腾网恭喜中国人民解放军海军大连舰艇学院申请的专利一种基于自适应特征生成的小样本目标检测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：CN119445089B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202510013992.X，技术领域涉及：G06V10/25；该发明授权一种基于自适应特征生成的小样本目标检测方法是由隋金坪;王义涛;史红权;陈行军;苏琦;刘宇;刘禄;贾棋;姚水连设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本一种基于自适应特征生成的小样本目标检测方法在说明书摘要公布了：本发明公开了一种基于自适应特征生成的小样本目标检测方法，通过数据类别中样本数量的多少，将训练样本划分为基类训练样本和新类训练样本，以此为基础，对Faster‑RCNN检测器进行训练和微调，实现对小样本目标进行检测。本发明根据训练样本中的数据类别的数量，将训练集划分为基类训练样本和新类训练样本，有效提升基于两阶段策略的小样本目标检测器的检测准确率，尤其是使用自适应的RoI特征生成器后，检测准确率能够得到进一步提升。本发明生成的合成特征能够对齐真实的RoI特征，有效克服了合成特征的分布偏差，在所有平均指标上实现准确率的超越，能够很准确地定位目标物体以及对目标物体进行分类。

本发明授权一种基于自适应特征生成的小样本目标检测方法在权利要求书中公布了：1.一种基于自适应特征生成的小样本目标检测方法，其特征在于，包括如下步骤：步骤100：将包括多个数据类别的带标注的原始数据集划分为训练集和测试集；并根据训练集中的所述数据类别中的原始数据的数量，将训练集划分为基类训练样本和若干训练样本；在所述基类训练样本中随机获取与新类训练样本的数量相同的基类训练子样本，以获取包括所述新类训练样本和基类训练子样本的few-shot训练样本；步骤200：根据所述基类训练样本，基于Faster-RCNN检测器的损失函数，对Faster-RCNN检测器进行训练，获取训练后的Faster-RCNN检测器；步骤300：对所述基类训练样本和few-shot训练样本进行实例级裁剪，获取基类实例训练样本和few-shot实例训练样本；步骤400：根据所述基类实例训练样本，基于自适应的变分自编码器的损失函数，对自适应的变分自编码器进行训练，以根据训练后的自适应的变分自编码器，获取基类实例训练样本的重构特征；所述步骤400中的基于自适应的变分自编码器VAE的损失函数为： 式中：Lvae表示自适应VAE的损失函数值；Lrecon表示重构损失；Lkld表示Kullback-Leibler散度的损失函数；表示解码器Dz，c的期望对数似然；Dz，c表示VAE的解码器；KL表示Kullback-Leibler散度；Ev表示VAE编码器；pz|c表示服从标准正态分布的先验分布；表示均值为0方差为1的标准正态分布；z表示空间编码；c表示类别；v表示视觉特征；步骤500：根据训练后的Faster-RCNN检测器和基类实例训练样本，获取与基类实例训练样本对应的第一真实的RoI特征，以根据所述基类实例训练样本的重构特征和RoI特征生成器，获取对齐的基类实例训练样本的合成特征，并基于RoI特征生成器的损失函数，对RoI特征生成器进行训练；步骤600：根据训练后的Faster-RCNN检测器和few-shot实例训练样本，获取与few-shot实例训练样本对应的第二真实的RoI特征；以根据对齐的基类实例训练样本的合成特征，对训练后的RoI特征生成器进行微调，获取微调后的RoI特征生成器；步骤700：根据所述基类训练样本、新类训练样本、训练后的自适应的变分自编码器、微调后的RoI特征生成器，获取新的合成特征；以根据所述新的合成特征和few-shot实例训练样本，对训练后的Faster-RCNN检测器进行微调，并根据测试集对微调后的Faster-RCNN检测器进行评估；进而根据评估后的微调后的Faster-RCNN检测器，实现对小样本目标进行检测。

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中国人民解放军海军大连舰艇学院，其通讯地址为：116018 辽宁省大连市中山区解放路667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”。