買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜同濟大學申請的專利一種基于代價敏感的稀有腫瘤類別小樣本分類的方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114170426B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-21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)的專利申請?zhí)?專利號為：202111310276.6，技術(shù)領(lǐng)域涉及：G06F17/40；該發(fā)明授權(quán)一種基于代價敏感的稀有腫瘤類別小樣本分類的方法是由路建偉;李波;王培軍;王毅誠;羅燁;許曉雯設計研發(fā)完成，并于2021-11-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于代價敏感的稀有腫瘤類別小樣本分類的方法在說明書摘要公布了：本發(fā)明公開了一種基于代價敏感的稀有腫瘤類別小樣本分類的方法。現(xiàn)有的小樣本學習方法大都忽略了特征空間的特殊性與遷移性，本發(fā)明則重點關(guān)注于此，構(gòu)建的特征存儲與篩選模塊讓前一階段預訓練中的特征能被后一階段的元學習充分利用。首先，構(gòu)建一個傳統(tǒng)的深度學習神經(jīng)網(wǎng)絡進行預訓練，對類似任務的非稀有類別數(shù)據(jù)集進行學習，凍結(jié)預訓練模型的參數(shù)并存儲預訓練樣本中每個類別的特征原型以及特征方差。接下來，通過Transformer編碼當前特征與上一階段選擇出來的類別原型之間的關(guān)系，進而生成基于當前特征的新特征用于小樣本分類器的分類。并在元學習過程中引入了可學習的代價敏感函數(shù)，從而使網(wǎng)絡對稀有類別的樣本更加具有敏感性。

本發(fā)明授權(quán)一種基于代價敏感的稀有腫瘤類別小樣本分類的方法在權(quán)利要求書中公布了：1.一種基于代價敏感的稀有腫瘤類別小樣本分類的方法，其特征在于，包括以下步驟：步驟1構(gòu)建獲取稀有腫瘤類別小樣本數(shù)據(jù)集并進行預處理，數(shù)據(jù)集根據(jù)實際問題進行收集；步驟2構(gòu)建特征學習預訓練網(wǎng)絡學習非稀有類別的數(shù)據(jù)集并進行參數(shù)凍結(jié)和特征存儲，用于后續(xù)任務的利用；步驟3提取特征并存儲，在預訓練階段提取特征并存儲在特征庫中，之前學習到的特征將被分布映射為類高斯分布，每個類別的特征原型和方差存儲在特征庫中；步驟4構(gòu)造特征篩選模塊，通過計算當前特征與預訓練特征空間內(nèi)類別的特征原型的相似性，選擇出與當前樣本特征最為相近的k個預訓練類別作為候選類別，實現(xiàn)后續(xù)特征的遷移與過渡；步驟5構(gòu)造基于注意力機制的分類器元學習方法，Transformer通過上一步的特征集來編碼當前樣本特征與篩選出的類別原型的關(guān)系，完成特征遷移；步驟6在元學習的分類過程中引入可學習的代價敏感函數(shù)，從而使網(wǎng)絡對稀有類別的樣本更具有敏感性，通過設定最大和最小值，讓權(quán)重在區(qū)間內(nèi)進行學習取得合適的值，以實現(xiàn)對不同樣本的不同敏感程度；步驟3中，預訓練階段得到的特征將被映射為類高斯分布并存儲到特征庫中，包括以下步驟：3.1每個類別的特征通過powertransform進行分布映射為類高斯分布： 其中v表示每個類別的樣本特征，∈和β為超參數(shù)，通過fv將v的分布映射為類高斯分布；3.2為對應類別計算特征均值和特征方差，計算公式如下： 其中μi是第i類的特征均值，δi是第i類的特征方差；xj表示第j個樣本的特征，fxj表示PowerTransform后類高斯分布下該樣本的特征，ni表示屬于類別i的樣本數(shù)量；3.3假設預訓練過程中有n個類別，那么將n個對應類別的特征均值和特征方差存儲到特征庫中，每個類別占據(jù)特征庫的一欄；步驟4中，根據(jù)相似度選擇出與當前樣本特征最為相近的k個預訓練類別作為候選類別，實現(xiàn)后續(xù)特征的遷移與過渡，包括以下步驟：4.1計算當前特征與預訓練特征空間內(nèi)類別的特征原型的相似性，相似度計算公式表示為： 其中a,b為兩個輸入的特征，通過計算兩個特征的距離，求其倒數(shù)使得a和b越相似、距離越近，sa,b越大；分母增加一個較小常數(shù)δ的目的是防止分母為0；4.2為了減少網(wǎng)絡的開銷，選擇與當前樣本特征q最相似的特征庫中前k個特征原型及對應的特征方差μi，δi，將這些特征組成新的特征集，用于下一階段transformer的輸入；步驟5中，構(gòu)造基于注意力機制的分類器元學習方法包括以下步驟：5.1選取實際需要分類的任務，構(gòu)建supportset和queryset；5.2通過之前預訓練階段訓練好的網(wǎng)絡，固定BackBone，提取出當前輸入的特征；5.3通過步驟4的特征篩選，將當前輸入特征與k個最相似的特征一起輸入到transformer中；5.4訓練transformer的過程中，通過高斯采樣的方式模擬每個被選擇類別在特征空間內(nèi)的表達形式，新生成的特征示為qi～Nμi，δi，即符合μi為均值、δi為方差的高斯分布；5.5Transformer編碼當前特征與上一步篩選出來的類別原型之間的關(guān)系，完成特征遷移，進而通過Transformer的Decoder生成基于當前特征的新特征用于小樣本分類器的分類；步驟6中，在元學習的分類過程中引入代價敏感函數(shù)，從而使網(wǎng)絡對稀有類別的樣本更加具有敏感性，在傳統(tǒng)二分類交叉熵的基礎(chǔ)上分別引入權(quán)重w1，w2：L＝-w1*y+logy+-w2*y-logy-其中y+為正樣本的概率，y-為負樣本的概率，w1、w2分別為權(quán)重超參數(shù)；通過增加稀有類別的權(quán)重使得網(wǎng)絡對稀有類別樣本更具敏感性；在元學習過程中，通過設置最大和最小值，讓權(quán)重在該區(qū)間內(nèi)自行學習，從而取得合適的權(quán)重，以實現(xiàn)分類器對不同樣本的不同敏感程度，從而達到對待稀有樣本更加關(guān)注的目的。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人同濟大學，其通訊地址為：200092 上海市楊浦區(qū)四平路1239號；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)”。