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！

龙图腾网获悉重庆邮电大学申请的专利一种基于样本分级学习与纠正的含噪声标签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：CN119762856B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411827148.2，技术领域涉及：G06V10/764；该发明授权一种基于样本分级学习与纠正的含噪声标签图像分类方法是由孙开伟;邹运生;江操正;田蜜设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于样本分级学习与纠正的含噪声标签图像分类方法在说明书摘要公布了：本发明涉及一种基于样本分级学习与纠正的含噪声标签图像分类方法包括：利用样本分级策略将图像数据集划分为简单干净样本子集、简单噪声样本子集、困难干净样本子集和困难噪声样本子集；基于预测一致性策略将简单噪声样本子集中的部分图像样本的标签加以纠正；基于预测一致性策略将困难噪声样本子集中的部分图像样本的标签加以纠正；根据简单干净样本子集和困难干净样本子集构建监督训练损失函数；根据简单噪声样本子集和困难噪声样本子集构建无监督训练损失函数；将监督训练损失函数和无监督训练损失函数进行线性加权得到总损失函数对图像分类模型进行训练，通过训练好的图像分类模型对待测试图像进行分类。本发明能够提高模型的分类性能。

本发明授权一种基于样本分级学习与纠正的含噪声标签图像分类方法在权利要求书中公布了：1.一种基于样本分级学习与纠正的含噪声标签图像分类方法，其特征在于，包括以下步骤： S1：获取具有噪声标签的图像数据集，并构建图像分类模型； S2：对图像分类模型进行训练，通过训练好的图像分类模型对待测试图像进行分类，所述对图像分类模型进行训练包括： S21：对图像分类模型进行预热训练，使图像分类模型获取特征提取能力和特征分类能力； S22：将图像数据集输入图像分类模型，计算每个图像样本的预测结果与实际标签之间的JS散度，将图像数据集化分为小损失干净子集与大损失噪声子集，并记录每个图像样本的预测结果； S23：根据每个图像样本在最近轮训练中记录的预测结果的一致性将图像数据集划分为一致性干净子集和不一致性噪声子集； S24：根据小损失干净子集、大损失噪声子集、一致性干净子集和不一致性噪声子集利用样本分级策略将图像数据集划分为简单干净样本子集、简单噪声样本子集、困难干净样本子集和困难噪声样本子集； 所述步骤S24包括： 将一致性干净子集与小损失干净子集的交集作为简单干净样本子集； 将小损失干净子集与一致性干净子集的差集作为简单噪声样本子集； 将一致性干净子集与大损失噪声子集的交集作为困难干净样本子集； 将图像数据集中除简单干净样本子集、简单噪声样本子集、困难干净样本子集后剩余的样本作为困难噪声样本子集； S25：若当前训练轮数大于等于，则基于预测一致性策略将简单噪声样本子集中的部分图像样本的标签加以纠正，并转移到简单干净样本子集； 所述基于预测一致性策略将简单噪声样本子集中的部分图像样本的标签加以纠正，并转移到简单干净样本子集包括： S251：将简单噪声样本子集中的图像样本分别进行强增强与弱增强得到强增强样本和弱增强样本 S252：将强增强样本和弱增强样本分别输入图像分类模型获得对应的预测结果 S253：根据强增强样本和弱增强样本的预测结果的一致性判断样本是否为可纠正样本，当且仅当满足如下条件时，样本为可纠正样本，用标签纠正样本的标签，并将样本转移到简单干净样本子集，条件如下： 条件1：且，其中，函数为获取预测结果中最大概率类别的置信度，表示简单样本纠正的置信度阈值； 条件2：，表示函数； 条件3：，表示图像样本在最近轮训练中记录的预测标签的一致性，一致时，不一致时； S26：若当前训练轮数大于等于，则基于预测一致性策略将困难噪声样本子集中的部分图像样本的标签加以纠正，并转移到困难干净样本子集； 所述基于预测一致性策略将困难噪声样本子集中的部分图像样本的标签加以纠正，并转移到困难干净样本子集包括： S261：将困难噪声样本子集中的图像样本分别进行强增强与弱增强得到强增强样本和弱增强样本； S262：将强增强样本和弱增强样本分别输入图像分类模型获得对应的预测结果与； S263：根据强增强样本和弱增强样本的预测结果的一致性判断样本是否为可纠正样本，当且仅当满足如下条件时，样本为可纠正样本，用标签纠正样本的标签，并将样本转移到困难干净样本子集，条件如下： 条件1：且，其中，函数为获取预测结果中最大概率类别的置信度，表示困难纠正样本的置信度阈值； 条件2：，表示函数； 条件3：，表示图像样本在最近轮训练中记录的预测标签的一致性，一致时，不一致时； S27：根据更新后的简单干净样本子集和困难干净样本子集构建监督训练损失函数；根据简单噪声样本子集和困难噪声样本子集构建无监督训练损失函数；将监督训练损失函数和无监督训练损失函数进行线性加权得到总损失函数对图像分类模型进行训练，重复执行步骤S21~步骤S27，直至达到预设的训练轮数，得到训练好的图像分类模型。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路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”。

以上内容由龙图腾AI智能生成。