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！

龙图腾网获悉北京工业大学申请的专利一种基于生成对抗网络与互学习的自蒸馏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：CN116994014B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202210417650.0，技术领域涉及：G06V10/764；该发明授权一种基于生成对抗网络与互学习的自蒸馏图像分类方法是由杨新武;刘伟设计研发完成，并于2022-04-21向国家知识产权局提交的专利申请。

本一种基于生成对抗网络与互学习的自蒸馏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生成对抗网络与互学习的自蒸馏图像分类方法。为了让浅层学生网络提取的特征逼近深层网络提取的特征，我们运用了生成对抗网络。浅层学生网络因其结构简单，提取特征的能力较弱，我们将其提取的特征定义为生成样本；主干网络结构复杂，层次较深，特征提取能力较强，我们将其提取的特征定义为真样本。在此基础上，我们在自蒸馏框架中引入设计好的鉴别器，让生成器浅层学生网络与鉴别器之间进行博弈，从而提升学生网络的特征提取能力。为了使生成对抗网络训练较为稳定，我们采用激活层之前的学生特征及教师特征送入鉴别器进行训练。此外，自蒸馏框架中学生网络与教师网络是从随机初始化开始训练的，学生网络学习的好坏情况无法反馈到教师网络中，使得教师网络难以进行知识的优化调整，因此我们引入了互学习的训练方式。

本发明授权一种基于生成对抗网络与互学习的自蒸馏图像分类方法在权利要求书中公布了：1.一种基于生成对抗网络与互学习的自蒸馏图像分类方法，其特征在于数据预处理、模型训练、预测三个过程，具体如下： 步骤S1，对训练数据进行预处理 步骤S1.1，使用随机裁减、水平反转方式进行训练数据的增强处理； 步骤S1.2，将数据随机打乱后分成不同批次； 步骤S2，模型训练： 步骤S2.1，在神经网络中引出浅分支分类出口；浅分支当做学生网络，深分支分类出口当做教师网络；深浅分支构成了自蒸馏的一般结构； 步骤S2.2，设计判别器，其由多层卷积及最后的全连接层组成；将神经网络浅分支提取的特征视为假样本，神经网络深分支提取的特征视为真样本； 步骤S2.3，将深浅分支提取的特征分别输入到判别器中，运用生成对抗网络的思想让两者进行博弈，目的是让浅层分支提取出的特征接近深层分支提取出的特征； 步骤S2.4，当判别器判断浅分支的特征为真时，判别器因判断有误受到的损失定义为lossD；这时浅分支提取的特征已经足够优秀；当判别器判断浅分支的特征为假时，浅分支受到损失定义为lossS1； 步骤S2.4，在深浅两层分支上引入互学习训练方式，构造互学习损失来让两个分支能有信息的交流；浅分支受到的互学习损失为loss2，深分支收到的互学习损失为loss3； 步骤S2.5，浅层分支提取的特征送入其分类器得到分类结果o1，深层分支提取的特征送入其分类器得到分类结果o2；两个分类结果经过softmax得到样本预测值；预测值与真实label求交叉熵损失分别为loss4、loss5； 步骤S2.6，训练过程中，根据轮次的不同对学习率进行衰减，设置初始学习率为0.1，在125、260、420轮次上学习率变为原来的十分之一；同时引入了L2正则；联合多模块损失，神经网络受到生成对抗损失、互学习损失以及标签损失； 步骤S2.7，前向传播；前向传播完成后，可以求得这一批次的总损失值； 步骤S2.8，反向传播；使用随机梯度下降方法SGD来训练神经网络；当所有批次反向传播一次完成后，一轮就结束； 步骤S2.8，根据上面叙述的过程重复训练，直到模型最后收敛； 步骤S3，预测： 步骤S3.1，去除神经网络中的判别器；裁减网络，只保留浅分支预测出口； 步骤S3.2，把需要预测的图片输入到模型中，得到分类结果。

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工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。