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！

龙图腾网获悉吉林大学申请的专利基于单纯形等角紧框架分类器的动态模型校准方法及装置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：CN119762859B 。

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：202411829745.9，技术领域涉及：G06V10/764；该发明授权基于单纯形等角紧框架分类器的动态模型校准方法及装置是由郭丹丹;倪佳妮;高金彤设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本基于单纯形等角紧框架分类器的动态模型校准方法及装置在说明书摘要公布了：本公开提供一种基于单纯形等角紧框架分类器的动态模型校准方法及装置，将输入样本通过共享特征提取模块转换为高维特征，通过标准可训练分类器和置信度可调模块生成两组独立的初始概率分布向量，对所述两组概率分布向量进行加权融合，根据最小化预测置信度与实际准确率之间的差异，动态调整校准权重因子；对所述两组概率分布向量分别计算分类损失，基于校准权重因子对其加权融合，得到用于优化网络的总损失函数；基于训练得到的校准权重因子，对标准可训练分类器和置信度可调模块的输出进行加权融合，生成最终预测概率分布。本公开应用于深度神经网络的图像分类中，既能最小化模型校准误差，又能提升模型预测准确性，得到更高质量的预测结果。

本发明授权基于单纯形等角紧框架分类器的动态模型校准方法及装置在权利要求书中公布了：1.一种基于单纯形等角紧框架分类器的动态模型校准方法，其特征在于，包括以下步骤： S1、获取原始输入样本，通过共享特征提取模块将所述原始输入样本转换为高维特征表示，所述原始输入样本取自CIFAR-10、CIFAR-100或SVHN数据集； S2、将所述高维特征分别输入到标准可训练分类器和置信度可调模块，输出两个独立的概率分布向量作为初始概率分布向量结果； S3、对所述两个初始概率分布向量进行加权融合，根据最小化融合输出的预测置信度与实际准确率之间的差异，动态调整校准权重因子； S4、分别计算所述两个初始概率分布向量的分类损失，并使用所述校准权重因子将两部分损失进行加权融合，得到总损失函数以用于训练优化； S5、基于所述校准权重因子，对所述标准可训练分类器的输出概率分布与所述置信度调节模块的输出概率分布进行加权融合，生成最终的分类结果并输出； S2中所述置信度可调模块由固定的单纯形等角紧框架分类器和适配器组成，所述固定的单纯形等角紧框架分类器在初始化阶段可调整其输出置信度区间，所述适配器位于所述固定的单纯形等角紧框架分类器前方，对输入的所述高维特征进行处理，缓解所述固定的单纯形等角紧框架分类器与所述标准可训练分类器之间的特征需求差异带来的冲突； 所述适配器采用瓶颈架构，包含两个卷积层，第一个卷积层降维以压缩特征，第二个卷积层恢复特征维度以保持输出与输入一致； 所述高维特征经过所述适配器处理后输入所述固定的单纯形等角紧框架分类器，最终得到所述置信度可调模块的输出概率分布向量； 通过随机生成一个单纯形等角紧框架并将其固定得到所述固定的单纯形等角紧框架分类器，所述固定的单纯形等角紧框架独立于网络的梯度传播；对于分类问题，所述固定的单纯形等角紧框架被定义为一个在空间中的向量集合，该集合由矩阵的列构成，是输入特征的维度，计算方法包括： ； 式中，，是缩放因子，，是部分正交矩阵，即，且，，是单位矩阵，是全1向量；此时所述固定的单纯形等角紧框架分类器输出的最终预测标签的置信度与缩放因子呈正相关，且与类别数量呈负相关；所述固定的单纯形等角紧框架分类器中缩放因子被初始化为1.0； 在S3中所述动态调整校准权重因子的过程包括：在训练轮次中，对该轮次记录的两组初始概率分布向量使用不同的权重因子进行混合，通过最小化预测置信度与实际准确率之间的差异，搜索得到第个训练轮次的校准权重，计算方法包括： ； 式中，表示输入样本及其对应的真实标签构成的数据集，是一个用于平衡模型的预测准确性和置信度的谨慎超参数，和分别表示在第个训练轮次中基于权重因子γ计算的混合输出的预测置信度和实际准确率，计算方法包括： ； ； 式中，为指示函数，当括号内条件成立时取值为1，否则为0。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。