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！

龙图腾网获悉佛山科学技术学院申请的专利一种基于双梯度强化对比学习的小样本图像识别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：CN116310714B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202310151749.5，技术领域涉及：G06V10/82；该发明授权一种基于双梯度强化对比学习的小样本图像识别方法是由李鸿禧;朱文博;李艾园;朱珍;陈建文;王修才设计研发完成，并于2023-02-22向国家知识产权局提交的专利申请。

本一种基于双梯度强化对比学习的小样本图像识别方法在说明书摘要公布了：本发明公开了一种基于双梯度强化对比学习的小样本图像识别方法，该方法包括：获取待识别图像并进行数据增强处理，得到双视图样本与混合样本；将双视图样本与混合样本输入至深度神经网络模型进行梯度训练，构建最小化全局对比损失函数；基于全局对比损失函数，对深度神经网络模型的全连接层进行梯度回传修正处理，构建修正后的深度神经网络模型；基于修正后的深度神经网络模型进行图像识别处理，得到图像识别结果。通过使用本发明，能够在降低人工对数据样品进行标注成本的同时提高深度神经网络模型对图像的识别精度。本发明作为一种基于双梯度强化对比学习的小样本图像识别方法，可广泛应用于基于神经网络的图像识别技术领域。

本发明授权一种基于双梯度强化对比学习的小样本图像识别方法在权利要求书中公布了：1.一种基于双梯度强化对比学习的小样本图像识别方法，其特征在于，包括以下步骤： 获取待识别图像并进行数据增强处理，得到双视图样本与混合样本； 其中，双视图样本是通过两次随机数据增强后所形成的正样本对样本，混合样本是基于双视图样本按照不同的混合比例系数进行线性组合得到的； ； ； 上式中，表示混合样本，表示双视图样本，表示混合样本与原样本之间的相似度，、表示半分割后数据； 将双视图样本与混合样本输入至深度神经网络模型，所述深度神经网络模型包括特征提取器、投影器和全连接层，所述特征提取器包括卷积层、批次归一化层、激活函数、最大池化层、第一残差块、第二残差块、第三残差块、第四残差块和平均池化层； 所述残差块包括下采样残差结构和跳跃残差结构； 所述下采样残差结构包括卷积层、批次归一化层、等分化层和激活函数； 其中，基于卷积层与批次归一化层对处理后的双视图样本与处理后的混合样本的图像信息进行特征维度处理，得到对应的多通道特征图； 基于等分化层对多通道特征图进行切分、叠加与卷积转变处理，得到变换后的切分图； 对变换后的切分图进行卷积融合处理，得到下采样图像结果； 基于特征提取器对双视图样本与混合样本进行特征提取处理，得到双视图样本特征编码向量与混合样本特征编码向量； 基于投影器，对双视图样本特征编码向量与混合样本特征编码向量进行全局对比损失计算处理，得到双视图样本与混合样本的线性相似度； 基于全连接层，结合双视图样本与混合样本的线性相似度对全局对比损失函数进行优化处理，构建最小化全局对比损失函数； 其中，所述最小化全局对比损失函数的表达式具体如下所示： ； 上式中，表示计算双视图之间的相似度损失函数，表示计算混合样本与原始图像、混合样本与双视图的相似度损失函数，则表示二者之和，作为目标函数提供给模型作为训练约束； 基于全局对比损失函数，对深度神经网络模型的全连接层进行梯度回传修正处理，构建修正后的深度神经网络模型； 基于修正后的深度神经网络模型进行图像识别处理，得到图像识别结果。

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佛山科学技术学院，其通讯地址为：528000 广东省佛山市南海区狮山镇广云路33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。