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！

龍圖騰網恭喜山東建筑大學;山東第一醫科大學第一附屬醫院(山東省千佛山醫院);山東大學申請的專利基于判別性原子嵌入半監督網絡的圖像分類方法及系統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：CN115049876B 。

龍圖騰網通過國家知識產權局官網在2025-05-16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：202210667551.8，技術領域涉及：G06V10/764；該發明授權基于判別性原子嵌入半監督網絡的圖像分類方法及系統是由襲肖明;王瑞豐;聶秀山;張光;尹義龍;劉新鋒設計研發完成，并于2022-06-14向國家知識產權局提交的專利申請。

本基于判別性原子嵌入半監督網絡的圖像分類方法及系統在說明書摘要公布了：本發明屬于圖像分類領域，提供了一種基于判別性原子嵌入半監督網絡的圖像分類方法及系統，包括獲取輸入圖像數據；基于輸入圖像數據進行預處理，得到每個子類的初始化判別性原子；利用預先訓練好的半監督網絡圖像分類模型對輸入圖像和初始化判別性原子進行對比預測得到每個子類的對比得分，計算其最大得分所對應的子類別和類別作為預測分類結果；本發明以經典的半監督學習網絡mean?teacher作為基本框架，引入判別原子學習區分性特征，構建關系對偶網絡結構，每個子網絡包含特征提取器和關系學習器，基本判別性原子嵌入和關系對偶的半監督學習思想的算法，能夠滿足圖像分類任務的深度學習要求。

本發明授權基于判別性原子嵌入半監督網絡的圖像分類方法及系統在權利要求書中公布了：1.基于判別性原子嵌入半監督網絡的圖像分類方法，其特征在于，包括：獲取輸入圖像數據；基于輸入圖像數據進行預處理，得到每個子類的初始化判別性原子；其中，初始化判別性原子的獲取過程為：獲取圖像數據集進行層次聚類；將聚類后的圖像數據集劃分為K個子類；獲取每個子類的聚簇中心作為每個子類的初始化判別性原子；利用預先訓練好的半監督網絡圖像分類模型對輸入圖像和初始化判別性原子進行對比預測得到每個子類的對比得分，計算其最大得分所對應的子類別和類別作為預測分類結果；其中，所述半監督網絡圖像分類模型的訓練過程，包括：獲取樣本圖像數據集和樣本初始化判別性原子；將樣本圖像數據集隨機加噪，得到加噪樣本圖像數據集；將樣本圖像數據集和樣本初始化判別性原子輸入到學生模型進行分類，所述學生模型的分類過程，包括：對樣本圖像數據集和樣本初始化判別性原子進行特征提取，得到樣本圖像數據集向量和判別性原子向量；對樣本圖像數據集向量和判別性原子向量進行區分性學習；將樣本圖像數據集向量和判別性原子向量進行特征拼接，得到拼接后的總向量特征；將拼接后的總向量特征輸入到關系學習器中，得到樣本圖像數據集向量和判別性原子向量的關系得分，并將所述關系得分作為樣本圖像的每個子類的預測概率；將加噪樣本圖像數據集和樣本初始化判別性原子輸入到教師模型進行分類；所述教師模型的分類過程，包括：對加噪樣本圖像數據集和樣本初始化判別性原子進行特征提取，得到加噪樣本圖像數據集向量和判別性原子向量；將加噪后樣本圖像數據集向量和判別性原子向量進行特征拼接，得到拼接后的總向量特征；將拼接后的總向量特征輸入到關系學習器中，得到加噪后樣本圖像數據集向量和判別性原子向量的關系得分，并將所述關系得分作為加噪后樣本圖像的每個子類的預測概率；基于分類預測概率得到總損失，不斷進行訓練，使得總損失呈現下降趨勢，直到訓練輪次達到設定值或者總損失呈現平穩趨勢，保存其最小損失值時的網絡模型，得到訓練好的半監督網絡圖像分類模型；所述總損失的獲取過程為：利用學生模型中有標簽樣本圖像數據的預測概率，計算其與真實標簽類別的交叉熵損失；利用學生模型中無標簽樣本圖像數據的子類預測概率和教師模型中無標簽加噪后樣本圖像數據的子類預測概率，計算兩者的細粒度一致性損失；利用學生模型中無標簽樣本圖像數據的預測概率和教師模型中無標簽加噪后樣本圖像數據的預測概率，計算兩者的標記一致性損失；利用學生模型中有標簽樣本圖像數據集向量和判別性原子向量，計算兩者的區分性損失；將交叉熵損失、細粒度一致性損失加權、標記一致性損失加權和區分性損失加權求和，得到總損失。

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山東建筑大學;山東第一醫科大學第一附屬醫院(山東省千佛山醫院);山東大學，其通訊地址為：250101 山東省濟南市歷城區臨港開發區鳳鳴路1000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”。