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！

龙图腾网获悉平安科技(深圳)有限公司申请的专利多正则化策略图像分类学习方法、装置、设备和介质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：CN114841343B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202210615241.1，技术领域涉及：G06N3/096；该发明授权多正则化策略图像分类学习方法、装置、设备和介质是由舒畅;陈又新设计研发完成，并于2022-05-31向国家知识产权局提交的专利申请。

本多正则化策略图像分类学习方法、装置、设备和介质在说明书摘要公布了：本申请的多正则化策略图像分类学习方法、装置、设备和介质，其中方法包括：基于LWF正则化和池化知识蒸馏构建卷积神经网络的第一损失函数，使用第一损失函数对卷积神经网络的特征提取层及主分类层进行训练。根据副分类层和标注数据的副分类层交叉熵损失函数，以及副分类层之间的分类层差异损失函数，构建卷积神经网络的第二损失函数。通过第二损失函数对副分类层进行训练。特征提取层、主分类层和副分类层用于对卷积神经网络进行训练。对池化蒸馏函数进行LWF正则化，能够增强对第一损失函数的约束，相比于使用单分类层进行训练，使用多个副分类层计算第二损失函数能够使得卷积神经网络的训练过程更为鲁棒。

本发明授权多正则化策略图像分类学习方法、装置、设备和介质在权利要求书中公布了：1.一种多正则化策略图像分类学习方法，其特征在于，包括： 基于LWF正则化和池化知识蒸馏构建卷积神经网络的第一损失函数，使用所述第一损失函数对卷积神经网络的特征提取层及主分类层进行训练；所述第一损失函数的公式如下： Loss1＝LossMWF,Mt+λLossLWF-Pooling； 其中，LossMW为主分类层交叉熵损失函数，F为特征提取层，Mt为第t个任务的主分类层，λ为池化调节参数，LossLWF-Pooling为LWF正则化池化蒸馏损失函数；所述LWF正则化池化蒸馏损失函数的构建包括：根据卷积神经网络的主分类层输出向量串联结果，使用LWF正则化计算主分类层池化蒸馏损失，其中主分类层知识蒸馏方程为经过空间维度池化操作和平面约束的方程，所述空间维度池化操作包括对宽度维度和高度维度分别进行池化后聚合，平面约束为对最后一层卷积神经网络输出的L2范数约束；根据卷积神经网络的副分类层输出向量串联结果，使用LWF正则化计算副分类层池化蒸馏损失，其中副分类层知识蒸馏方程同样经过空间维度池化操作和平面约束； 根据副分类层和标注数据的副分类层交叉熵损失函数，以及副分类层之间的分类层差异损失函数，构建卷积神经网络的第二损失函数；通过所述第二损失函数对所述副分类层进行训练，其中，在使用第二损失函数对副分类层进行训练之前使得所述特征提取层停止运作； 所述特征提取层、所述主分类层和所述副分类层用于对所述卷积神经网络进行训练； 所述根据副分类层和标注数据的交叉熵，以及副分类层之间的分类层差异损失函数，构建第二损失函数，包括： 计算所述副分类层交叉熵损失函数，所述副分类层交叉熵损失函数为每一个所述副分类层的余弦相似度与副分类层的余弦相似度总和的交叉熵的和； 根据所有所述副分类层的分类结果差异构建所述分类层差异损失函数，参考基于回放的增量学习方法，引入额外样本数据集作为所述副分类层的补充训练集，将所述补充训练集和原始训练集组成扩充训练集，所述扩充训练集用于训练所述副分类层，副分类层之间的差异损失函数的计算基于对两两副分类层的输出结果进行L1正则化，副分类层之间的差异损失函数的公式如下： 其中，pmy|xout和pny|xout分别为序号为m和序号为n的副分类层的softmax分类结果，d表示L1正则化，m为一个副分类层的编号，n为另一个副分类层的编号； 对序号为m和序号为n的副分类层的softmax分类结果进行L1正则化的公式如下： dpmy|xout,pny|xout＝|pmy|xout-pny|xout|； 其中，||表示取绝对值运算； 对于k个副分类层，一共有个副分类层对； 根据所述副分类层交叉熵损失函数和所述分类层差异损失函数构建所述第二损失函数。

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平安科技(深圳)有限公司，其通讯地址为：518000 广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼；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。