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！

龙图腾网获悉合肥工业大学申请的专利一种基于正则化联合自主训练的领域自适应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：CN116091835B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202310150489.X，技术领域涉及：G06V10/764；该发明授权一种基于正则化联合自主训练的领域自适应图像分类方法是由徐子航;黄扬竣;陈昌林;贺意;李沐柔;黄赞;郭丹设计研发完成，并于2023-02-16向国家知识产权局提交的专利申请。

本一种基于正则化联合自主训练的领域自适应图像分类方法在说明书摘要公布了：本发明公开了一种基于正则化联合自主训练的领域自适应图像分类方法，包括如下步骤：1、获得源域数据集和目标域数据集；2、搭建领域自适应网络模型，并包括：特征提取器，源域分类器，目标域分类器；3、使用正则化联合自主训练策略训练领域自适应网络模型；4、使用训练好的领域自适应网络模型进行图像分类。本发明实现了模型的自动跨领域泛化和模型对噪声数据的鲁棒性，克服了传统领域自适应方法受限于训练开销较大、依赖于高质量数据集等困难而无法广泛应用的问题，更贴合图像分类的实际应用场景。

本发明授权一种基于正则化联合自主训练的领域自适应图像分类方法在权利要求书中公布了：1.一种基于正则化联合自主训练的领域自适应图像分类方法，其特征在于，包括如下步骤： 步骤1.获取源域数据集和目标域数据集；其中，表示第i张源域图像，表示对应的源域标签，表示第j张目标域图像，表示源域数据集中源域样本总数，表示目标域数据集中目标域样本的数量； 步骤2.搭建领域自适应网络模型，并包括：特征提取器，源域分类器，目标域分类器； 所述特征提取器由T个特征提取单元构成，每个特征提取单元依次包括；一个卷积层、一个ReLU激活函数层、一个池化层和一个全连接层； 所述源域分类器和目标域分类器具有相同的网络结构，均依次包括一个输入卷积层、个下采样卷积层、个残差卷积层、一个全连接层，且每个卷积层后均连接一个BN层和ReLU激活函数； 步骤3.领域自适应网络模型的正则化联合自主训练策略； 步骤3.1.所述第i张源域图像和所述第j张目标域图像分别输入特征提取器中，并经T个特征提取单元的处理后，得到第i张源域图像的特征向量和第j张目标域图像的特征向量； 步骤3.2.所述第j张目标域图像的特征向量输入所述源域分类器中进行分类，得到源域分类器对第j张目标域图像的分类结果，再将所述分类结果经过锐化处理后得到第j张目标域图像的伪标签； 所述第j张目标域图像的特征向量输入所述目标域分类器中进行分类，得到目标域分类器对第j张目标域图像的分类结果； 利用式1构建目标域分类器对于第j张目标域图像的伪标签以及分类结果的均方差损失函数： 1 步骤3.3.所述第i张源域图像的特征向量分别输入所述源域分类器和目标域分类器进行分类，得到源域分类器对第i张源域图像的分类结果和目标域分类器对第i张源域图像的分类结果； 利用式2构建源域分类器关于源域分类器对第i张源域图像的分类结果以及真实源域标签的早期学习正则化损失函数： 2 式2中，表示源域分类器对第i张源域图像的分类结果中第个类别对应的概率，表示第i张源域图像的真实源域标签中第个类别对应的概率，表示源域数据集中图像的类别总数，表示正则化参数； 利用式3构建特征提取器关于源域分类器对第i张源域图像的分类结果、目标域分类器对第i张源域图像的分类结果以及第i张源域图像的真实源域标签的联合损失函数： 3 式3中，表示目标域分类器对第i张源域图像的分类结果中第个类别对应的概率； 步骤4.利用随机梯度下降法对领域自适应网络模型进行基于正则化联合自主训练，从而获得最优图像分类模型。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。

以上内容由龙图腾AI智能生成。