Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜华中科技大学李德鹏获国家专利权

恭喜华中科技大学李德鹏获国家专利权

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!

龙图腾网恭喜华中科技大学申请的专利一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其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:CN119313996B

龙图腾网通过国家知识产权局官网在2025-04-29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:202411882228.8,技术领域涉及:G06V10/764;该发明授权一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统是由李德鹏;韩好展;李江;黄浩恩;任启宁;曾志刚设计研发完成,并于2024-12-19向国家知识产权局提交的专利申请。

一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统在说明书摘要公布了:本发明属于图像分类相关技术领域,其公开了一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统,训练方法包括:通过求解面向当前分类任务单位基向量的优化目标函数,从单位超球面上分配当前分类任务的最优等夹角基向量矩阵并将其加入保存有历史分类任务的等夹角基向量矩阵的等夹角基向量矩阵集合中以更新集合;在训练的前向传播中,通过求解最小化统计依赖问题确定各隐含层的最佳全局输出表征;在训练的反向传播中,利用梯度下降法反馈调节各隐含层的网络参数。本发明在连续图像分类任务上能够实现稳定性和可塑性之间的平衡,具有零样本重放和简约扩展的特性,且通过对各步骤优化问题进行改进,大大提高了训练效率。

本发明授权一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统在权利要求书中公布了:1.一种实现零样本重放和简约扩展的连续图像分类模型训练方法,其特征在于,包括:通过求解面向当前分类任务单位基向量的优化目标函数,从单位超球面上分配最优的Ct个单位基向量并构成当前分类任务t的最优等夹角基向量矩阵Wt’,t为分类任务序号,Ct等于当前分类任务t的标签类别数,将矩阵Wt’加入保存有历史分类任务的等夹角基向量矩阵的等夹角基向量矩阵集合中,得到更新的等夹角基向量矩阵集合;在训练的前向传播中,通过求解最小化统计依赖问题确定各隐含层b的最佳全局输出表征Zb’,下标b为隐含层索引,b=1,2,…,B,B为隐含层的数量;所述最小化统计依赖问题为使多个因式的加权求和最小,多个因式中包含计算各隐含层输出表征与当前分类任务训练样本输入表征之间相关性的第一因式、计算各隐含层输出表征与当前分类任务训练样本标签间相关性的相反数的第二因式、以及计算梯度映射矩阵与前期训练所确定的隐含层历史表征之间乘积的第三因式;在训练的反向传播中,获取更新后的等夹角基向量矩阵集合以及最佳全局输出表征Zb’,利用梯度下降法确定网络参数的参数更新量,利用批量学习形式迭代计算梯度映射矩阵的更新值,基于所得的参数更新量和梯度映射矩阵的更新值反馈调节各隐含层的网络参数,得到训练结果;所述最小化统计依赖问题具体为: 式中,Xt为当前分类任务t的训练样本输入表征,Yt为当前分类任务t训练样本的标签,Zb为在训练的前向传播中隐含层b的输出表征,uHSIC为计算相关度的函数,RbuHSIC=αAbTAb+αI-1为梯度映射矩阵,α为小于1的常数,I为单位矩阵,Ab由前期训练所确定的隐含层b的历史表征组成,β为相关性因式的平衡因子,μ为正则化强度系数;在训练的反向传播中,利用梯度下降法确定网络参数的参数更新量,利用批量学习形式迭代计算梯度映射矩阵的更新值,基于所得的参数更新量和梯度映射矩阵的更新值反馈调节各隐含层的网络参数,包括:先获取更新后的等夹角基向量矩阵集合和最佳全局输出表征Zb’,构建使分类结果趋近于标签的优化目标函数并进行求解,得到网络参数梯度下降的参数更新量;再基于网络参数更新公式更新当前分类任务t训练所得的网络参数θbt;其中,网络参数更新公式为:θbt=θbt-1-λMbuHSICΔθbt,式中,θbt-1为上一次分类任务t-1训练所得的网络参数,Δθbt为当前分类任务t的参数更新量,λ为学习率,MbuHSIC为梯度映射矩阵的更新值;式中,MbuHSIC通过如下过程确定:确定k的初始值,提取最佳全局表征Zb’中对应前k个训练样本的特征向量,组成初始化表征Zb’k=[zb1,zb2,…,zbk],式中,zbk表示Zb’中对应第k个训练样本的特征向量;确定MbuHSIC迭代的初始值MbuHSICk+1,MbuHSICk+1=αZb’k+Zb’Tk+zbk+1zbk+1T+αI-1,α为小于1的常数,I为单位矩阵;每次迭代时令k=k+1并基于迭代公式进行迭代计算,执行预设次数迭代后以最终输出的MbuHSICk+1作为梯度映射矩阵的更新量MbuHSIC,其迭代公式为:

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华中科技大学,其通讯地址为:430074 湖北省武汉市洪山区珞喻路1037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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。