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！

龙图腾网恭喜山东建筑大学;山东第一医科大学第一附属医院(山东省千佛山医院);山东大学申请的专利基于判别性原子嵌入半监督网络的图像分类方法及系统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：CN115049876B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202210667551.8，技术领域涉及：G06V10/764；该发明授权基于判别性原子嵌入半监督网络的图像分类方法及系统是由袭肖明;王瑞丰;聂秀山;张光;尹义龙;刘新锋设计研发完成，并于2022-06-14向国家知识产权局提交的专利申请。

本基于判别性原子嵌入半监督网络的图像分类方法及系统在说明书摘要公布了：本发明属于图像分类领域，提供了一种基于判别性原子嵌入半监督网络的图像分类方法及系统，包括获取输入图像数据；基于输入图像数据进行预处理，得到每个子类的初始化判别性原子；利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进行对比预测得到每个子类的对比得分，计算其最大得分所对应的子类别和类别作为预测分类结果；本发明以经典的半监督学习网络mean‑teacher作为基本框架，引入判别原子学习区分性特征，构建关系对偶网络结构，每个子网络包含特征提取器和关系学习器，基本判别性原子嵌入和关系对偶的半监督学习思想的算法，能够满足图像分类任务的深度学习要求。

本发明授权基于判别性原子嵌入半监督网络的图像分类方法及系统在权利要求书中公布了：1.基于判别性原子嵌入半监督网络的图像分类方法，其特征在于，包括：获取输入图像数据；基于输入图像数据进行预处理，得到每个子类的初始化判别性原子；其中，初始化判别性原子的获取过程为：获取图像数据集进行层次聚类；将聚类后的图像数据集划分为K个子类；获取每个子类的聚簇中心作为每个子类的初始化判别性原子；利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进行对比预测得到每个子类的对比得分，计算其最大得分所对应的子类别和类别作为预测分类结果；其中，所述半监督网络图像分类模型的训练过程，包括：获取样本图像数据集和样本初始化判别性原子；将样本图像数据集随机加噪，得到加噪样本图像数据集；将样本图像数据集和样本初始化判别性原子输入到学生模型进行分类，所述学生模型的分类过程，包括：对样本图像数据集和样本初始化判别性原子进行特征提取，得到样本图像数据集向量和判别性原子向量；对样本图像数据集向量和判别性原子向量进行区分性学习；将样本图像数据集向量和判别性原子向量进行特征拼接，得到拼接后的总向量特征；将拼接后的总向量特征输入到关系学习器中，得到样本图像数据集向量和判别性原子向量的关系得分，并将所述关系得分作为样本图像的每个子类的预测概率；将加噪样本图像数据集和样本初始化判别性原子输入到教师模型进行分类；所述教师模型的分类过程，包括：对加噪样本图像数据集和样本初始化判别性原子进行特征提取，得到加噪样本图像数据集向量和判别性原子向量；将加噪后样本图像数据集向量和判别性原子向量进行特征拼接，得到拼接后的总向量特征；将拼接后的总向量特征输入到关系学习器中，得到加噪后样本图像数据集向量和判别性原子向量的关系得分，并将所述关系得分作为加噪后样本图像的每个子类的预测概率；基于分类预测概率得到总损失，不断进行训练，使得总损失呈现下降趋势，直到训练轮次达到设定值或者总损失呈现平稳趋势，保存其最小损失值时的网络模型，得到训练好的半监督网络图像分类模型；所述总损失的获取过程为：利用学生模型中有标签样本图像数据的预测概率，计算其与真实标签类别的交叉熵损失；利用学生模型中无标签样本图像数据的子类预测概率和教师模型中无标签加噪后样本图像数据的子类预测概率，计算两者的细粒度一致性损失；利用学生模型中无标签样本图像数据的预测概率和教师模型中无标签加噪后样本图像数据的预测概率，计算两者的标记一致性损失；利用学生模型中有标签样本图像数据集向量和判别性原子向量，计算两者的区分性损失；将交叉熵损失、细粒度一致性损失加权、标记一致性损失加权和区分性损失加权求和，得到总损失。

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山东建筑大学;山东第一医科大学第一附属医院(山东省千佛山医院);山东大学，其通讯地址为：250101 山东省济南市历城区临港开发区凤鸣路1000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”。