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！

龙图腾网获悉北京交通大学申请的专利一种基于迁移学习的无监督低质量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：CN116977730B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202310943737.6，技术领域涉及：G06V10/764；该发明授权一种基于迁移学习的无监督低质量图像分类方法是由裴艳婷;陈韬宇设计研发完成，并于2023-07-28向国家知识产权局提交的专利申请。

本一种基于迁移学习的无监督低质量图像分类方法在说明书摘要公布了：本发明提供了一种基于迁移学习的无监督低质量图像分类方法。该方法包括：将清晰图像输入无监督清晰图像分类模型，提取清晰图像的伪标签，得到训练好的无监督清晰图像分类模型；构建无监督低质量图像分类模型，使用特征一致性损失来约束无监督低质量图像分类模型的训练，得到训练好的无监督低质量图像分类模型；将待识别的低质量图像输入到所述训练好的无监督低质量图像分类模型，输出所述待识别的低质量图像的类别标签。本发明方法解决了低质量图像模糊不清晰且无类别标签的问题，引入了对称交叉熵损失函数，降低噪声标签对图像分类性能的影响，用清晰图像生成的伪标签来指导低质量图像分类，提升了低质量图像的分类性能。

本发明授权一种基于迁移学习的无监督低质量图像分类方法在权利要求书中公布了：1.一种基于迁移学习的无监督低质量图像分类方法，其特征在于，包括： 构建无监督清晰图像分类模型，将清晰图像输入所述无监督清晰图像分类模型，提取所述清晰图像的伪标签，利用对称交叉熵损失训练所述无监督清晰图像分类模型，得到训练好的无监督清晰图像分类模型； 基于所述训练好的无监督清晰图像分类模型构建无监督低质量图像分类模型，在清晰图像的伪标签与低质量图像的预测概率之间使用对称交叉熵损失来优化训练所述无监督低质量图像分类模型，使用特征一致性损失来约束所述无监督低质量图像分类模型的训练，得到训练好的无监督低质量图像分类模型； 将待识别的低质量图像输入到所述训练好的无监督低质量图像分类模型，所述训练好的无监督低质量图像分类模型输出所述待识别的低质量图像的类别标签； 所述的构建无监督清晰图像分类模型，将清晰图像输入所述无监督清晰图像分类模型，提取所述清晰图像的伪标签，包括： 基于主干网络构建无监督清晰图像分类模型，所述主干网络的特征向量维度为1,2048，在所述主干网络的后面添加一个投影层和一个原型层，将清晰图像输入所述无监督清晰图像分类模型，将清晰图像提取的特征通过k-means进行聚类并为每幅清晰图像分配一个聚类中心作为伪标签，从投影层提取出来的特征向量经过k-means聚类算法优化损失函数（1），得到个类别的聚类中心，其中为聚类数量，表示第个簇中的数据点集合，是欧几里得距离，表示特征向量； （1） 聚类结束后，为每幅清晰图像分配距离自己欧氏距离最近的一个聚类中心的标号作为该清晰图像的伪标签； 所述的利用对称交叉熵损失训练所述无监督清晰图像分类模型，得到训练好的无监督清晰图像分类模型，包括： 利用对称交叉熵损失训练所述无监督清晰图像分类模型，对称交叉熵损失的计算方法如公式（2）所示： （2） 其中，和q是两个概率分布，是分布的类别数，参数是一个介于0和1之间的权重系数，用于平衡正样本和负样本的影响； 通过所述对称交叉熵损失更新无监督清晰图像分类模型中的主干神经网络和投影层，得到预训练好的无监督清晰图像分类模型。

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北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3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。