Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西安交通大学王仁振获国家专利权

西安交通大学王仁振获国家专利权

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!

龙图腾网获悉西安交通大学申请的专利一种在线持续学习场景下的图像对偶分类方法及装置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:CN119516244B

龙图腾网通过国家知识产权局官网在2025-11-07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:202411396873.9,技术领域涉及:G06V10/764;该发明授权一种在线持续学习场景下的图像对偶分类方法及装置是由王仁振;王全子昂;孟德宇设计研发完成,并于2024-10-09向国家知识产权局提交的专利申请。

一种在线持续学习场景下的图像对偶分类方法及装置在说明书摘要公布了:本申请公开了一种在线持续学习场景下的图像对偶分类方法及装置,包括:当学习新任务时,将记忆缓存与当前新任务数据混合,共同作为训练数据输入到分类模型中,输出分类预测概率分布;将分类预测概率分布输入至代理分类器中,输出代理预测概率分布;根据代理预测概率分布与真实类别标签计算分类损失,并在训练过程中固定代理分类器的参数,仅更新分类模型的参数,以最小化预测误差;用记忆缓存中的数据训练代理分类器以辅助分类模型修正分类预测概率分布;使用平均分类精度和遗忘指标评估训练结果的准确性。解决了在线持续学习场景下,如何在保留历史任务与学习新任务之间找到最佳平衡点以矫正分类过程中出现的面向新任务的倾向性的问题。

本发明授权一种在线持续学习场景下的图像对偶分类方法及装置在权利要求书中公布了:1.一种在线持续学习场景下的图像对偶分类方法,其特征在于,包括: 构建持续学习图像分类数据集;其中,所述持续学习图像分类数据集包括多个图像分类任务,每个分类任务包括多张图像和其对应的真实类别标签; 将少量历史任务的数据保存为记忆缓存,当学习新任务时,将记忆缓存与当前新任务数据混合,共同作为训练数据输入到分类模型中,分类模型输出分类预测概率分布;迭代执行迭代训练步骤,直至满足停止条件;其中,所述停止条件为:达到预设迭代次数或分类损失的值降低至小于预设阈值; 所述迭代训练步骤包括: 将分类预测概率分布输入至代理分类器中,代理分类器输出代理预测概率分布; 所述将分类预测概率分布输入至代理分类器中,代理分类器输出代理预测概率分布,包括:代理分类器包括类别特定模块与类别无关模块;类别特定模块用于从分类模型的分类预测概率分布的向量中提取每个类别的独特信息,生成对应类别的代理预测概率分布的向量,以建模各类别的特性;类别无关模块输入一个双元素向量,输出对应的代理新旧任务预测概率的向量;其中,双元素向量反映了分类模型对于给定样本属于新任务或历史任务的预测概率;代理分类器通过将代理预测概率分布的向量和代理新旧任务预测概率的向量相结合,以输出代理预测概率分布; 根据代理预测概率分布与真实类别标签计算分类损失,并在训练过程中固定代理分类器的参数,仅更新分类模型的参数,以最小化预测误差; 用记忆缓存中的数据训练代理分类器以辅助分类模型修正分类预测概率分布; 当迭代训练步骤完成后,使用平均分类精度和遗忘指标评估训练结果的准确性; 分类模型和代理分类器的训练过程分别采用不同的目标函数;分类模型训练过程采用的目标函数的表达式为:;其中,为固定代理分类器的参数为时分类模型的最优参数,为能使函数达到最小值的参数的运算符,,为分类模型的分类损失函数,为从记忆缓存中随机采样一个批次的数据以及新任务的样本数据,为分类模型当前训练的样本数量,为第i个训练样本,为第i个真实类别标签,,为分类模型之后级联代理分类器的增广分类模型,为分类模型的参数,为级联操作;代理分类器的训练过程采用的目标函数的表达式为:;其中,为代理分类器的最优参数,,为代理分类器的训练损失函数,为从记忆缓存中随机采样一个批次的数据,为代理分类器当前训练的样本数量,为参数被设置为基于当前的最优值的分类模型;为单个样本的损失函数,用于计算分类模型对训练样本进行预测的结果与真实类别标签之间的差异; 平均分类精度和遗忘指标的获取方式,包括:对于每个任务,将其测试集中的样本输入到分类模型中,分类模型为每个样本生成预测结果;其中,所述测试集是从持续学习图像分类数据集中划分出的;若分类模型的预测结果与样本的真实类别标签相匹配,视为一次成功预测;每个任务的预测精度定义为成功预测的次数除以该任务的测试集的总样本数;每个任务的最大预测精度为该任务在整个训练过程中达到的最高预测精度;计算所有任务最大预测精度的平均值,作为分类模型的平均分类精度;对于每个任务,计算其预测精度与最大预测精度的差值,将差值作为该任务的遗忘指标。

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西安交通大学,其通讯地址为:710000 陕西省西安市咸宁西路28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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。