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！

龙图腾网获悉南京理工大学申请的专利基于反标签学习的半监督少样本图像分类学习方法及系统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：CN115439715B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202211106572.9，技术领域涉及：G06V10/774；该发明授权基于反标签学习的半监督少样本图像分类学习方法及系统是由徐赫洋;魏秀参设计研发完成，并于2022-09-12向国家知识产权局提交的专利申请。

本基于反标签学习的半监督少样本图像分类学习方法及系统在说明书摘要公布了：本发明公开了一种基于反标签学习的半监督少样本图像分类学习方法及系统，方法包括：构造元任务，使用预训练的神经网络作为特征提取器，提取元任务中对应数据的特征，并在支持集上训练一个分类器用于后续分类任务；反标签学习模块以较高正确率给无标签数据打上反标签，分类器在反标签上进行学习更新，不断迭代直到无法选出反标签；在反标签模块迭代结束之后，得到类别均衡且正确率较高的正标签，并用分类器进行学习更新。本发明充分且高质量的利用无标签数据，可以获得更高的少样本学习图像分类准确率。

本发明授权基于反标签学习的半监督少样本图像分类学习方法及系统在权利要求书中公布了：1.一种基于反标签学习的半监督少样本图像分类学习方法，其特征在于，包括以下步骤： 步骤1，构造元任务，使用预训练的神经网络作为特征提取器提取图像数据，提取元任务中支持集、查询集以及无标签数据集对应的特征，并在支持集上训练一个分类器，用于后续图像分类任务； 步骤2，反标签学习模块以第一正确率给无标签图像数据打上反标签，用分类器在反标签上进行学习更新，通过不断迭代直到无法选出反标签； 构建反标签学习模块，该模块以迭代的方式，通过对无标签数据的处理挑选出反标签并用于分类器的学习，直到无法挑选出符合条件的数据则迭代结束； 首先，使用分类器f·；θc，其中θc为该分类器参数，将无标签数据映射到类别的概率空间： pU＝fxU；θc4 其中xU为公式1中得到的无标签数据特征，pU为无标签数据经过分类器映射后得到的类别后验概率值，上标U代表无标签数据； 进行反标签学习模块的第一轮迭代，挑选反标签方法如下： 其中k代表pU中概率最小的对应的位置，即对应概率最小的类别，为对应类别的概率值，δ作为挑选反标签的阈值，为当前输入数据的反标签，即当概率最小类别的概率值小于该阈值时，反标签取1，此时反标签类别为k，当不满足条件时该样本不参与本轮的迭代； 经过第一轮迭代，得到无标签数据中被标记上反标签数据的集合其中i表示挑选出来的反标签数据的下标，这里Nj为第j次迭代中按照公式5挑选出数据的数量，其中j代表迭代的次数；和分别代表挑选出的第i个数据的特征向量以及对应的反标签； 反标签学习模块中，设计迭代挑选反标签的策略，对于一个输入数据，已经标记过的反标签类别，在之后的迭代过程中将不再考虑该类别；定义一个列表记录每个数据在每次迭代中挑选的反标签： 其中为本次迭代中满足条件的样本标记的反标签，有些样本无法满足条件，因此将一些列表中设置为空；M为无标签数据集U的数据量，类别数为C，即 将交叉熵损失函数进行修改，使其能够用来在上训练分类器f·；θc，形式如下： 至此第一轮迭代结束，接着循环前述步骤，直到在迭代中无法挑选出满足条件的反标签数据，即迭代停止； 步骤3，正标签学习模块得到类别均衡且满足第二正确率的正标签，并用分类器进行学习更新； 步骤4，用训练好的分类器在查询集上预测得到最后图像分类的类别结果。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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。