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！

龙图腾网恭喜华南理工大学申请的专利基于采样点的图像伪解析类别增量学习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：CN119027779B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202411045143.4，技术领域涉及：G06V10/82；该发明授权基于采样点的图像伪解析类别增量学习方法及装置是由程宇轩;庄辉平设计研发完成，并于2024-08-01向国家知识产权局提交的专利申请。

本基于采样点的图像伪解析类别增量学习方法及装置在说明书摘要公布了：本发明公开了一种基于采样点的图像伪解析类别增量学习方法及装置，方法为：首先构建图像分类网络，然后用基础数据集对背景网络进行预训练，预训练完成后将背景网络冻结并得到一维化特征；接着接入解析分类器并构建虚拟节点；随后对一维化特征进行随机维度拓展后输入解析分类器进行重对齐，结束后计算缩放系数并得到初始采样点集；最后进入增量学习阶段，每次增量学习都需要将初始采样点集和当前阶段增量数据集混合，用混合数据集训练解析分类器并得到当前阶段的采样点集作为下一阶段初始采样点集，获取下一阶段增量数据集重复进行增量学习；本方法能减轻灾难性遗忘问题，且隐私性强、精度高，能够实现图像的解析类别增量学习。

本发明授权基于采样点的图像伪解析类别增量学习方法及装置在权利要求书中公布了：1.基于采样点的图像伪解析类别增量学习方法，其特征在于，包括下述步骤：S1、构建图像分类网络，包含背景网络及解析分类器；所述背景网络通过卷积神经网络提取图像特征，所述解析分类器使用全连接网络对图像特征进行分类，以独热编码形式输出分类结果；所述解析分类器基于线性模型或非线性模型进行构建；S2、使用反向梯度下降算法在基础数据集上对后接有softmax分类器的背景网络进行预训练，结束后冻结背景网络的参数并得到基础数据集的一维化特征；S3、去除softmax分类器，在冻结参数的背景网络后接入解析分类器，并在解析分类器中增加一个虚拟节点参与后续操作；对应的分类结果增加一个维度，该维度为对应虚拟节点的始终为0的虚拟标签；S4、对基础数据集的一维化特征进行随机维度拓展，输入解析分类器使用反向梯度下降算法进行重对齐，结束后计算缩放系数并得到初始采样点集；所述初始采样点集中采样点的数量由解析分类器确定并保持恒定；S5、获取当前阶段的增量数据集，输入冻结参数的背景网络中获取新增特征集，与初始采样点集进行混合得到混合数据集；S6、采用MSE损失函数通过反向梯度下降算法在混合数据集上对上一阶段的解析分类器进行增量学习，并更新采样点作为下一阶段的初始采样点集；所述在混合数据集上对上一阶段的解析分类器进行增量学习，具体为：基于当前阶段增量数据集中的新增标签数量，将构建的虚拟节点及其在当前阶段对应的解析分类器参数进行复制，将最后一个复制的虚拟节点作为新的虚拟节点，其余复制的虚拟节点作为真实节点与当前阶段解析分类器的真实节点参与后续增量学习；所述复制次数等于新增标签数量；所述新的虚拟节点对应的虚拟标签始终为0；在混合数据集上对上一阶段的解析分类器进行训练，得到当前阶段训练好的解析分类器；重新生成一组设定数量的采样点及其对应的预测标签；基于采样点的设定数量和解析分类器历史累计的数据量，计算当前阶段的缩放系数；分别计算MSE损失函数在当前阶段的混合数据集以及重新生成的采样点上对当前阶段训练好的解析分类器参数的一阶梯度向量和二阶梯度矩阵，对重新生成的采样点进行梯度对齐和误差矫正作为下一阶段的初始采样点集；S7、获取下一阶段的增量数据集，重复步骤S5-S6，直至达到设定阶段或无下一阶段的增量数据集，得到学习好的图像分类器。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。