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！

龙图腾网恭喜南京大学申请的专利一种面向环境变化的无监督迁移学习图像分类方法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：CN115035330B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202210461879.4，技术领域涉及：G06V10/764；该发明授权一种面向环境变化的无监督迁移学习图像分类方法是由黎铭;孙辉;周志华设计研发完成，并于2022-04-28向国家知识产权局提交的专利申请。

本一种面向环境变化的无监督迁移学习图像分类方法在说明书摘要公布了：本发明公开了一种面向环境变化的无监督迁移学习图像分类方法，获取待分类图片，若不存在面向应用环境的模型，则从学习环境迁移学习新模型；收集训练数据，初始化模型；在伪标签生成器上，计算有标签样本的分类损失以及学习环境和应用环境数据的分布偏移损失，并生成部分伪标签；设计多个联合分类器输出二维联合概率同时预测图片主任务和自监督任务标签，计算联合分类器的分类损失；在联合分类器输出中，对自监督任务标签的边际概率积分，得到不同的概念标签；计算应用环境样本的不同概念标签间的一致性损失；累加所有损失，用梯度反向传播更新参数；迭代训练至最大迭代次数；用所有联合分类器对待分类图片的概念标签均值来预测。

本发明授权一种面向环境变化的无监督迁移学习图像分类方法在权利要求书中公布了：1.一种面向环境变化的无监督迁移学习图像分类方法，其特征在于，包括如下步骤：步骤1在应用环境中获得新的待分类图片样本；步骤2判断是否已存在完成面向应用环境的图像分类模型，如果不存在，转入步骤3，从学习环境到应用环境进行迁移学习构建图像分类模型；如果存在，转入步骤13；步骤3如果模型更新迭代次数达到最大迭代次数，转入步骤13；如果没有转入步骤4；步骤4从学习环境中获取有标记的图像数据作为监督样本，从应用环境中获取无标记的图像数据作为无监督样本，构建训练集；步骤5初始化图像分类模型参数，模型训练过程中的超参数，以及若干个基于数据变换的自监督任务；步骤6用残差神经网络接上一层全连接瓶颈网络提取图片数据的特征；步骤7用伪标签生成器对无标签样本进行预测，并筛选出置信度高的伪标签；步骤8计算有标签样本在伪标签生成器上的分类损失，在特征空间中计算学习环境和应用环境数据分布偏移损失；所述有标签样本包括伪标签样本；步骤9将有标签样本的原始标签分别与当前样本的不同自监督任务标签进行组合，生成不同的二维联合标签；相应地用多层全连接神经网络构建多个联合分类器输出二维联合概率来预测所述联合标签，用联合标签计算所有联合分类器的平均分类损失；所述有标签样本包括伪标签样本；步骤10在每个联合分类器的输出的二维联合概率中，对自监督任务标签分布的边际概率进行积分，得到每个联合分类器对目标任务的不同概念标签；步骤11在所有应用环境样本上，计算每个联合分类器给出的概念标签间的一致性损失，以此对齐所述概念标签；步骤12累加所有损失，用梯度反向传播的方式更新模型参数；迭代次数加一；转入步骤3；步骤13根据每个基于数据变换的自监督任务类型，采用相应的数据变换集合对数据进行变换；步骤14将经过不同的数据变换集合变换的数据输入到相应的自监督任务所对应的联合分类器中，得到对目标任务标签和相应的自监督任务标签的二维联合概率预测；步骤15在每个联合分类器输出的二维联合概率分布中，对自监督所对应的边际分布进行积分，得到每个联合分类器对目标任务不同的概念标签；步骤16将所有概念标签的均值作为概念标签的一致部分对待分类图片的标签进行预测；训练数据的输入空间是跨环境共享的隐特征空间为目标任务标记空间，即分类任务的类别空间为第i个帮助图像分类模型训练的自监督辅助任务的标记空间为跨环境共享的特征提取器以及每个自监督任务都有一个联合分类器，第i个联合分类器写作将写作Ci，表示特征提取器F接上第i个联合分类器Gi；此外，每个自监督任务都对应一个数据变换集合，第i个联合分类器对应的数据变换集合为所述步骤8中，计算有标签样本上的分类损失如下： 其中表示交叉熵分类损失，表示一个有n个有标签样本的图像数据集，xi表示数据集D中的第i张图片，yi表示数据集D中第i张图片的标签；CPL表示特征提取器接上伪标签生成器；得到学习环境和应用环境的分布偏移损失： 其中，k.·,·为高斯核函数；和分别表示第i张源域图片和第j张目标域图片经过特征提取器F后在隐特征空间中得到的隐特征；和分别表示伪标签生成器对第i张源域图片和第j张目标域图片的目标任务标签的预测；所述步骤9中，用目标任务的标记空间和所有自监督任务的标记空间作笛卡尔积，第i个自监督任务的标记空间是笛卡尔积结果其中m表示目标任务有m个类别，表示第i个自监督任务有个类别；表示当前样本在目标任务中数据第j类，标签是yj，同时在第i个自监督任务中属于第k类，标签是计算二维分类器的平均损失其中表示第i个自监督辅助任务所对应的数据变换集合，Ds表示源域数据集，表示带有伪标签的目标域样本组成的数据集；将写作Ci，表示特征提取器接上第i个联合分类器，那么其中第i个联合分类器在数据集D上的分类损失计算函数如下： 其中D表示一个包含n个有标签样本的数据集，是Ds或者表示第i个自监督任务的数据变换集合中的第k种数据变换方式，则表示采用了这种变换方式之后所对应的在第i个自监督任务中的标签；所述步骤10中，在联合分类器输出中，对自监督任务的边际概率分布进行积分，得到概念标签： 其中，表示第i个联合分类器输出的二维概率，表示第i个自监督任务标签的边际概率分布；在基于数据变换时均匀地使用每个变换集合中的变换函数，即第i个自监督任务标签的边际概率分布是一个均匀分布： 在激活函数之前积分，那么第i个联合分类器的输出积分后得到的概念标签为： 其中，表示在x上应用了第i个数据变换集合中的第k种数据变换方式[:,k]表示取二维输出的第k列；所述步骤11中，在所有应用环境数据上计算p个联合分类器给出的概念标签的一致性损失 其中，Piy|xk和Pjy|xk分别表示第i个联合分类器和第j个联合分类器对第k个目标域样本的概念标签；所述步骤12-13中，累计所有损失L＝LPL+Ltrans+Ljoint+LCC使用梯度反向传播的方式来迭代更新模型参数直到最大迭代次数；在预测待分类的应用环境图片时，将所有概念标签的均值作为概念标签的一致部分对待分类图片的标签进行预测，即其中xt表示当前待分类的应用环境图片。

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大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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”。