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

龍圖騰網恭喜中山大學申請的專利基于持續學習的圖像分類方法以及裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114387486B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210061145.7，技術領域涉及：G06V10/774；該發明授權基于持續學習的圖像分類方法以及裝置是由王瑞軒;劉思佳;陳康豪設計研發完成，并于2022-01-19向國家知識產權局提交的專利申請。

本基于持續學習的圖像分類方法以及裝置在說明書摘要公布了：本發明公開了一種基于持續學習的圖像分類方法以及裝置，方法包括：獲取待分類的目標圖像，所述待分類的目標圖像包括一部分存儲的舊類數據圖像和新增類別的圖像；將待分類的目標圖像輸入到預先構建的圖像分類模型并得到分類特征向量；根據分類器和所述分類特征向量，對圖像樣本進行訓練，得到目標圖像的分類結果；根據訓練所得到的相關參數，對所述圖像樣本進行刪除和保留。本發明能夠自適應地通過權衡模型的穩定性和可塑性來緩解基于持續學習的圖像分類網絡的災難性遺忘問題，以實現在保持不遺忘舊知識的情況下，有效提高新類圖像的分類準確率，最終使得模型能夠像人一樣的學習。

本發明授權基于持續學習的圖像分類方法以及裝置在權利要求書中公布了：1.基于持續學習的圖像分類方法，其特征在于，包括下述步驟：獲取待分類的目標圖像，所述待分類的目標圖像包括一部分存儲的舊類數據圖像和新增類別的圖像；將待分類的目標圖像輸入到預先構建的圖像分類模型并得到分類特征向量；所述的圖像分類模型是通過圖像增廣技術CutMix解決圖像不均衡的問題，依靠自適應集成的知識蒸餾模塊緩解舊知識的遺忘，并通過不確定性的估計對模型進行正則化進行可塑性與穩定性的權衡而得到的神經網絡模型；根據圖像分類模型和所述分類特征向量，對圖像樣本進行訓練，得到目標圖像的分類結果；根據訓練所得到的相關參數，對所述圖像樣本進行刪除和保留；所述圖像分類模型的構建如下：獲取待分類的目標圖像樣本和上一階段的舊圖像分類模型；所述舊圖像分類模型是基于目標圖像樣本中舊類圖像訓練得到的神經網絡模型；將所述待分類的目標圖像首先通過數據增廣CutMix技術生成混合樣本得到新舊類均衡的目標圖像；將所述新舊類均衡的目標圖像輸入所述舊圖像分類模型，得到第一樣本特征向量及其第一分類概率；將所述均衡目標圖像輸入本階段新圖像分類模型，得到第二樣本特征向量及其所屬的第二分類概率；所述本階段新圖像分類模型為由所述上一階段舊圖像分類模型初始化得到的神經網絡模型；根據所述第一樣本特征向量及其所屬的第一分類概率、所述第二樣本特征向量及其所屬的第二分類概率、以及預設的判別器，利用自適應集成的知識蒸餾的方式，對所述本階段新圖像分類模型進行訓練，并通過不確定性評估進行正則化，得到本階段新圖像分類模型；將所述新舊類均衡的目標圖像輸入所述舊圖像分類模型，得到第一樣本特征向量及其第一分類概率；將所述均衡目標圖像輸入本階段新圖像分類模型，得到第二樣本特征向量及其所屬的第二分類概率；所述本階段新圖像分類模型為由所述上一階段舊圖像分類模型初始化得到的神經網絡模型，包括：計算不同層次的第一樣本特征圖通過自適應集成與每一個層次的第二樣本特征圖之間的均方差損失，作為第一目標函數；第一目標函數用于提升所述舊圖像分類模型與所述新圖像分類模型輸出結果之間的相似度；計算所述第一樣本特征向量與所述第二樣本特征向量之間的余弦相似度，作為第二目標函數；第二目標函數用于提升所述舊圖像分類模型與所述新圖像分類模型輸出結果之間的相似度；計算所述第二分類概率與所述均衡目標圖像對應的真實分類結果之間的不確定性正則化交叉熵損失，作為第三目標函數；第三目標函數用于在提升其輸出結果與樣本圖像對應真實分類結果的相似度的同時，權衡所述新圖像分類模型的穩定性與可塑性，既保證其在舊類目標圖像的效果，又提升其在新類目標圖像上的訓練效果；根據所述的第一目標函數、第二目標函數以及第三目標函數對所述的新圖像分類模型進行訓練，得到最終的基于持續學習的圖像分類模型；計算不同層次的第一樣本特征圖通過自適應集成與每一個層次的第二樣本特征圖之間的均方差損失，作為第一目標函數；第一目標函數用于提升所述舊圖像分類模型與所述新圖像分類模型輸出結果之間的相似度，包括：將所述的舊圖像分類模型中每個卷積塊的輸出第一樣本特征圖集通過特定的卷積層轉換為新的第一樣本特征圖集；將所有轉換后的第一樣本特征圖集分別通過下采樣或上采樣后與所述新圖像分類模型中塊的輸出的第二樣本特征圖的空間大小相同；計算所述的下采樣和上采樣后的第一樣本特征圖被聚合后輸入到卷積層中生成一組塊級第一注意力圖；將所述的聚合后的第一樣本特征圖基于第一注意力圖被逐塊加權并相加；將所述的加權求和后的第一樣本特征圖被輸入到最后一個卷積層，其輸出的形狀與新圖像分類模型中特定塊的形狀相同。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中山大學，其通訊地址為：510275 廣東省廣州市海珠區新港西路135號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。