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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于改进的无样本类增量学习的材料显微学图像预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：CN119741538B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202411791940.7，技术领域涉及：G06V10/764；该发明授权基于改进的无样本类增量学习的材料显微学图像预测方法是由许可乐;高梓健;冯大为;赵培阳;林增鸣;丁博;毛新军设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本基于改进的无样本类增量学习的材料显微学图像预测方法在说明书摘要公布了：本申请涉及一种基于改进的无样本类增量学习的材料显微学图像预测方法。所述方法包括：构建材料显微学图像预测模型；根据材料显微学图像集合对材料显微学图像预测模型进行训练，在特征提取器对第一数据集进行特征提取，得到初始特征；在特征与标签对齐模块对初始特征进行扩展并确定线性层的参数保留特征提取器的特征主干在特征优化和对齐模块对特征提取器进行优化并确定第二线性层的参数进行增量阶段的对齐并保存新类的原型；在遗忘补偿和测试模块根据第二线性层的参数对扩展伪特征进行标签对齐，利用训练好的材料显微学图像预测模型对待预测的材料显微学图像进行预测。采用本方法能够提高预测准确率。

本发明授权基于改进的无样本类增量学习的材料显微学图像预测方法在权利要求书中公布了：1.一种基于改进的无样本类增量学习的材料显微学图像预测方法，其特征在于，所述方法包括： 获取已标注的常见材料的材料显微学图像集合；所述材料显微学图像集合包括第一数据集和第二数据集；构建材料显微学图像预测模型；所述材料显微学图像预测模型包括特征提取器、特征与标签对齐模块、特征优化和对齐模块以及遗忘补偿和测试模块； 根据所述材料显微学图像集合对所述材料显微学图像预测模型进行训练，在所述特征提取器对所述第一数据集进行特征提取，得到初始特征； 在所述特征与标签对齐模块利用分析分类器的扩展层对所述初始特征进行扩展并确定线性层的参数，利用确定参数后的线性层对扩展特征和标签进行初始阶段的对齐来保留所述特征提取器的特征主干和重要信息；所述重要信息包括自相关矩阵和初始类的原型； 在所述特征优化和对齐模块对特征提取器进行优化，根据优化后的特征提取器和所述特征主干对第二数据集进行特征提取并经过扩展层得到优化后的扩展特征；利用优化后的扩展特征确定第二线性层的参数，根据第二线性层的参数对优化后的扩展特征和标签进行增量阶段的对齐并保存新类的原型； 在所述遗忘补偿和测试模块复制分析分类器中的线性层和自相关矩阵，利用所述特征主干计算每个新类的原型特征，根据新类和旧类之间的相似度生成旧类的伪特征，将伪特征通过优化后的特征提取器再经过扩展层，得到扩展伪特征；根据第二线性层的参数对扩展伪特征进行标签对齐，得到训练好的材料显微学图像预测模型； 利用所述训练好的材料显微学图像预测模型对待预测的材料显微学图像进行预测，得到材料显微学图像对应的材料类别预测结果； 根据所述特征提取器对所述第一数据集进行特征提取，得到初始特征，包括： 在所述特征提取器使用自监督标签增强技术和全连接分类器对所述第一数据集进行特征提取，得到初始特征； 对特征提取器进行优化，包括： 利用自监督标签增强和知识蒸馏技术结合全连接分类器和当前阶段的第二数据集对特征提取器进行优化，通过最小化当前特征提取器和前一阶段特征提取器提取的新数据特征之间的距离来约束优化，公式为，整体损失为，其中是交叉熵损失。

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国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。