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)恭喜中山大學(xué)申請的專利基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置獲國家發(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：CN115019106B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-06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：202210733867.2，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置是由肖遙;羅彬;陳宇恒;魏朋旭;林倞設(shè)計研發(fā)完成，并于2022-06-27向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置在說明書摘要公布了：本發(fā)明公開了一種基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置，方法包括下述步驟：獲取無監(jiān)督目標域自然樣本集；構(gòu)建魯棒無監(jiān)督域自適應(yīng)圖像分類框架，包括非魯棒目標域教師模型和魯棒目標域?qū)W生模型；使用預(yù)訓(xùn)練的非魯棒源域模型對非魯棒目標域教師模型的參數(shù)進行初始化，在無監(jiān)督目標域自然樣本集上進行端到端的迭代訓(xùn)練；構(gòu)造魯棒目標域?qū)W生模型，在無監(jiān)督目標域自然樣本集上進行對抗蒸餾訓(xùn)練，輸出圖像分類結(jié)果。本方法將知識蒸餾和對抗訓(xùn)練結(jié)合起來，在源域數(shù)據(jù)完全缺失的情況下，只使用非魯棒源域模型獲得目標域上的魯棒模型，在保持對目標域自然樣本分類性能的同時，有效地提升了對目標域?qū)箻颖镜姆诸愋阅芎湍Ｐ偷聂敯粜浴?

本發(fā)明授權(quán)基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置在權(quán)利要求書中公布了：1.基于對抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法，其特征在于，包括下述步驟：獲取無監(jiān)督目標域自然樣本集；構(gòu)建魯棒無監(jiān)督域自適應(yīng)圖像分類框架；所述魯棒無監(jiān)督域自適應(yīng)圖像分類框架包括非魯棒目標域教師模型和魯棒目標域?qū)W生模型；所述魯棒無監(jiān)督域自適應(yīng)圖像分類框架的目標函數(shù)是基于間隔差異散度在無源域數(shù)據(jù)條件下進行推導(dǎo)而得，具體為：根據(jù)間隔學(xué)習(xí)理論可得，對于任意一個得分函數(shù)f，都滿足： 其中是一個理想間隔損失，是得分函數(shù)f在目標對抗域上基于0-1損失的分類誤差，是得分函數(shù)f在源域上以常數(shù)ρ為間隔的分類誤差，是以常數(shù)ρ為間隔的源域和目標域的間隔差異散度，是以常數(shù)ρ為間隔的目標域和目標對抗域的間隔差異散度；令在目標對抗域上基于0-1損失的分類誤差達到最小的最優(yōu)得分函數(shù)f，故根據(jù)1式的右端項得： 在源域數(shù)據(jù)完全缺失的條件下可知，得分函數(shù)f在源域上以常數(shù)ρ為間隔的分類誤差是常數(shù)，故根據(jù)2式推導(dǎo)出魯棒無監(jiān)督域自適應(yīng)圖像分類框架的目標函數(shù)為： 其中，為非魯棒目標域教師模型的目標函數(shù)，為魯棒目標域?qū)W生模型的目標函數(shù)；使用預(yù)訓(xùn)練的非魯棒源域模型對非魯棒目標域教師模型的參數(shù)進行初始化，在無監(jiān)督目標域自然樣本集上進行端到端的迭代訓(xùn)練，得到訓(xùn)練好的非魯棒目標域教師模型；所述得到訓(xùn)練好的非魯棒目標域教師模型，具體為：采用不使用源域數(shù)據(jù)的無監(jiān)督域自適應(yīng)學(xué)習(xí)模型進行標準的無監(jiān)督域自適應(yīng)學(xué)習(xí)，獲得非魯棒目標域教師模型；使用預(yù)訓(xùn)練的非魯棒源域模型的參數(shù)對非魯棒目標域教師模型的參數(shù)進行初始化；將無監(jiān)督目標域自然樣本集輸入非魯棒目標域教師模型中進行端到端的迭代訓(xùn)練，得到訓(xùn)練好的非魯棒目標域教師模型；基于訓(xùn)練好的非魯棒目標域教師模型構(gòu)造魯棒目標域?qū)W生模型，在無監(jiān)督目標域自然樣本集上進行對抗蒸餾訓(xùn)練，得到訓(xùn)練好的魯棒目標域?qū)W生模型并輸出圖像分類結(jié)果；所述得到訓(xùn)練好的魯棒目標域?qū)W生模型，具體為：采用和非魯棒目標域教師模型相同的結(jié)構(gòu)構(gòu)造魯棒目標域?qū)W生模型；根據(jù)魯棒目標域?qū)W生模型的參數(shù)信息，對無監(jiān)督目標域自然樣本集中每個自然樣本生成對應(yīng)的對抗樣本；進行對抗蒸餾訓(xùn)練，每次迭代訓(xùn)練過程中，將非魯棒目標域教師模型的參數(shù)固定，對魯棒目標域?qū)W生模型進行端到端的訓(xùn)練，得到訓(xùn)練好的魯棒目標域?qū)W生模型并輸出圖像分類結(jié)果。

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)人中山大學(xué)，其通訊地址為：510275 廣東省廣州市海珠區(qū)新港西路135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)”。