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！

龙图腾网获悉西安电子科技大学申请的专利一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法、系统、设备及介质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：CN116229180B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202310243322.8，技术领域涉及：G06V10/764；该发明授权一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法、系统、设备及介质是由纪建;廖俊茹;张方蓉;刘向增设计研发完成，并于2023-03-14向国家知识产权局提交的专利申请。

本一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法、系统、设备及介质在说明书摘要公布了：一种基于对称KLD的处理多类型标签噪声的自适应动态阈值的方法、系统、设备及介质，方法包括：得到噪声数据集，筛选出干净数据集与噪声数据集，实现半监督学习、对比学习，不断迭代训练半监督学习、对比学习，得到处理噪声标签模型的最小损失值；系统、设备及介质，用于实现一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法；本发明通过基于对称KLD的自适应动态阈值选择方法来实现样本分离，从每个类别中选择相同数量的清洁样品，选择无监督对比学习，使用对比学习来约束图像特征，因此具有可解决简单样品和硬样品选择不平衡的问题，提高了伪标签的整体质量，提高识别的准确性，可以防止模型过度拟合噪声标签的特点。

本发明授权一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法、系统、设备及介质在权利要求书中公布了：1.一种基于对称KLD的处理多类型标签噪声的自适应动态阈值方法，其特征在于，包括以下步骤： 步骤1：向数据集中分别加入对称噪声，不对称噪声和实例相关的噪声，得到包含不同比率的噪声数据集； 步骤2：根据步骤1得到的包含不同比率的噪声数据集，通过计算对称KLD值，将得到所有样本的KLD值，通过计算得到样本的过滤阈值R，通过比较筛选出干净数据集与噪声数据集； 计算对称KLD值的方法和过滤阈值R的计算方法，具体过程为： 步骤2.1：根据步骤1得到的包含不同比率的噪声数据集，分别计算真实值的标签对称的KLD值和预测值的标签对称的KLD值，其计算式为： 其中，pi表示预测值，yi表示真实值； 步骤2.2：根据步骤2.1得到的真实值的标签对称的KLD值和预测值的标签的对称KLD值，求出所有样本的临界值，其计算式为： 其中，davg表示所有样本的平均值，γ表示可调节的参数，dmax，dmin分别表示所有样本中的最大散度值和最小散度值，r表示噪声比率，N表示样本数量；K为标签类别的数量； 步骤2.3：根据步骤2.2得到的所有样本的临界值dcrit，计算出样本的滤波阈值R，其计算式为： R＝|dR|N 其中，dR表示对称KLD值小于临界值dcrit的所有样本，β表示一个正参数值，表示交叉熵损失，f表示置信正则化模型；当数据样本集的交叉熵损失值大于滤波阈值R时，即时，该样本数据集为干净数据集，当数据样本集的交叉熵损失值小于滤波阈值R时，即时，该样本数据集为噪声数据集； 步骤3：根据步骤2得到的干净的数据集即标记数据集，进行标签细化即模型更新，得到具有学习识别不同标签能力的模型，根据步骤2得到的噪声数据集去除原有的噪声标签得到未标记数据集，根据未标记数据集通过数据增强拷贝进行伪标签预测，得到伪标签，根据得到的具有学习识别不同标签能力的模型与伪标签融合实现半监督学习，同时根据未标记的数据集进行对比学习得到最小损失值； 步骤4：通过不断迭代训练步骤3中的半监督学习、对比学习，得到处理噪声标签模型的最小损失值。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。