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！

龙图腾网获悉电子科技大学申请的专利基于特征约束的元标签自校正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：CN120107668B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202510170833.0，技术领域涉及：G06V10/764；该发明授权基于特征约束的元标签自校正方法是由童涛;朱晓峰设计研发完成，并于2025-02-17向国家知识产权局提交的专利申请。

本基于特征约束的元标签自校正方法在说明书摘要公布了：本发明公开了一种基于特征约束的元标签自校正方法，首先将图像数据集划分得到干净样本集、噪音样本集和复杂样本集，设置标签校正网络和两个特征提取网络，将第二特征提取网络和目标分类模型的学习作为元学习的下层任务，将第一特征提取网络和标签校正网络作为元学习的上层任务，从而得到元学习模型；然后使用复杂样本集训练更新第二特征提取网络和目标分类模型，使用干净样本集和噪音样本集训练更新第一特征提取网络和标签校正网络，在此过程中定期对图像数据集进行重新划分，将迭代结束后每个图像样本当前的标签作为其最终的标签，完成标签自校正。本发明可以有效提升元学习模型的泛化性能，从而提升元标签校正的准确度。

本发明授权基于特征约束的元标签自校正方法在权利要求书中公布了：1.一种基于特征约束的元标签自校正方法，其特征在于，包括以下步骤： S1：对于需要进行标签自校正的图像数据集X，记其中每个图像样本为In，对应原始标签为yn,n＝1,2,…,N，N表示图像数据集中图像样本的数量；将其图像数据集X划分为若干批次，采用预设的分类模型对该图像数据集进行M轮标签预测，计算每轮标签预测中每个图像样本的损失函数的梯度m＝1,2,…,M；采用如下公式计算每个图像样本的评分scoren： 其中，Norm表示归一化，||||2表示求取二范数，λ表示预设权重； 预先设置分离参数s，其取值范围为s＜0.5，如果图像样本n的评分scoren＜s，则将其作为干净样本，如果图像样本n的评分s≤scoren＜1-s，则将其作为复杂样本，如果图像样本n的评分scoren≥1-s，则将其作为噪音样本；从而将图像数据集划分得到干净样本集噪音样本集和复杂样本集 S2：根据实际需要设置两个结构相同的特征提取网络，用于提取输入图像样本的特征图像； 根据实际需要设置标签校正网络，用于接收第一特征提取网络输出的特征图像，预测输入图像样本的校正标签； 根据实际需要设置目标分类模型，用于接收第二特征提取网络输出的特征图像，得到输入图像样本的分类标签； 将第二特征提取网络和目标分类模型的学习作为元学习的下层任务，将第一特征提取网络和标签校正网络作为元学习的上层任务，从而得到元学习模型； 初始化第二特征提取网络的参数目标分类模型的参数w1和第一特征提取网络的参数标签校正网络的参数θ1； S3：记迭代次数t＝1； S4：分别对干净样本集噪音样本集和复杂样本集进行样本采样，得到干净样本集Xcl、噪音样本集Xny和复杂样本集Xcp； S5：基于特征约束进行本轮次的元学习，具体方法为： S5.1：使用当前复杂样本集Xcp对目标分类模型进行初次训练，对第二特征提取网络和目标分类模型的参数分别进行更新，得到特征提取网络的参数和目标分类模型的初次训练参数其中，第二特征提取网络的损失函数采用特征约束损失函数，复杂样本集Xcp中每个样本xi的特征约束损失函数的计算公式如下： 其中，表示参数为的第二特征提取网络提取得到的特征，δ1表示|Xcp|维向量，Xcp,k表示当前复杂样本集Xcp中类别k的样本集，α1表示|Xcp,k|维向量，表示复杂样本集Xcp中类别k以外的其他样本集，β1表示维向量； 目标分类模型参数更新中，复杂样本集中每个样本xi的损失函数的计算公式如下： 其中，ltrain表示预设的分类损失函数，表示参数为θt的标签校正网络对样本xi校正得到的标签，fxi,wt表示参数为wt的目标分类模型对样本xi预测得到的标签，γvc表示预设的平衡系数； S5.2：使用当前的干净样本集Xcl、噪音样本集Xny对标签校正网络进行训练，对第一特征提取网络和标签校正网络的参数分别进行更新，得到第一特征提取网络的参数和标签校正网络的训练参数θt+1；其中，第一特征提取网络的损失函数采用特征约束损失函数，干净样本集Xcl和噪音样本集Xny中每个复杂样本xj的特征约束损失函数的计算公式如下： 其中，z∈{cl,ny}，表示参数为的第一特征提取网络提取得到的特征，δ2表示|Xz|维向量，xj表示样本集中的第j个样本，表示样本集中类别k的样本集，α2表示|Xz,k|维向量，表示样本集中类别k以外的其他样本集，β2表示维向量； 标签校正网络中每个样本xj的损失函数的计算公式如下： 其中，lmeta表示预设的标签校正损失表示样本xj当前的标签，表示参数为的目标分类模型对样本xj预测得到的标签； S5.3：利用更新后的标签校正网络，使用复杂样本集对第二特征提取网络和目标分类模型进行再次训练，对第二特征提取网络和目标分类模型的参数分别进行更新，得到特征提取网络的参数和目标分类模型的参数wt+1；其中特征提取网络参数更新中，复杂样本集中每个样本xi的特征约束损失函数的计算公式如下： 其中，表示参数为的第二特征提取网络提取得到的特征； 目标分类模型参数更新中，复杂样本集中每个样本xi的损失函数的计算公式如下： 其中，表示参数为θt+1的标签校正网络对样本xi校正得到的标签； S6：判断是否t＜tmax，tmax表示预设的最大迭代次数，如果是，进入步骤S7，否则进入步骤S11； S7：判断是否t％Q＝0，Q表示预设的数据集更新周期，如果是，进入步骤S8，否则直接进入步骤S9； S8：令t＝t+1，返回步骤S5； S9：对于干净样本集令其中每个样本标签保持不变；对于噪音样本集和复杂样本集将其中每个样本输入当前第一特征提取网络和标签校正网络，将得到的标签作为该样本校正后的标签并对其当前标签进行更新； S10：统计每个图像样本在最近Q次训练中损失函数的梯度，采用步骤S1中相同方法计算每个图像样本在最近Q次训练中的平均评分，将N个图像样本重新划分得到干净样本集噪音样本集和复杂样本集令t＝t+1，返回步骤S4； S11：将当前N个图像样本的标签作为其最终的标签，完成标签自校正。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。