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近邻锚点标签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：CN119762857B 。

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：202411827380.6，技术领域涉及：G06V10/764；该发明授权一种基于近邻锚点标签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。

本一种基于近邻锚点标签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近邻锚点标签纠正的含噪声标签图像分类方法包括：对图像分类模型预热训练；将带有噪声标签的图像数据集划分为干净子集与噪声子集，针对干净子集和噪声子集使用监督学习与半监督学习相结合的方式训练图像分类模型；计算干净子集中各类别样本的置信度；根据各类别样本的置信度从噪声子集中选取潜在可被纠正样本；从干净子集中选取潜在可被纠正样本的k个最近邻样本，并计算和其k个最近邻样本的mixup预测一致性；将预测一致的潜在可被纠正样本从噪声子集转移到干净子集；更新噪声子集和干净子集，对干净子集和噪声子集使用监督学习与半监督学习相结合的方式训练图像分类模型，重复执行上述步骤得到训练好的图像分类模型。

本发明授权一种基于近邻锚点标签纠正的含噪声标签图像分类方法在权利要求书中公布了：1.一种基于近邻锚点标签纠正的含噪声标签图像分类方法，其特征在于，包括： S1：获取带有噪声标签的图像数据集，并构建图像分类模型； 所述图像分类模型包括：特征提取器、特征投影器和分类器；所述特征提取器用于对样本进行特征提取，所述分类器用于对特征提取器提取的特征进行分类，所述特征投影器用于对特征提取器提取的特征进行降维得到样本的低维特征； 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三个训练阶段； S21：在第一训练阶段，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：在第二训练阶段，基于小损失准则，将带有噪声标签的图像数据集划分为干净子集与噪声子集，针对干净子集和噪声子集使用监督学习与半监督学习相结合的方式训练图像分类模型； S23：在第三训练阶段，基于近邻锚点准则，计算干净子集中各类别样本的置信度；根据各类别样本的置信度从噪声子集中选取潜在可被纠正样本； 所述步骤S23包括： S231：将干净子集的样本输入到图像分类模型获取样本的预测结果： 其中，表示样本在各类别的预测结果；表示样本的实际标签，表示样本的预测标签；表示干净子集；表示中的第个干净样本； S232：计算干净子集的全局样本置信度： 其中，表示第次迭代时干净子集的全局样本置信度，表示干净子集中样本的类别总数，表示衰减系数，表示干净子集中样本的数量；表示最大值函数； S233：根据干净子集的全局样本置信度计算干净子集中各类别的置信度： 其中，表示第次迭代时干净子集中类别的置信度； S234：将噪声子集中的噪声样本输入到图像分类模型中获取噪声样本的预测标签和预测置信度； 其中，表示噪声子集中的第k个噪声样本的预测标签；表示的预测置信度；并根据噪声子集中噪声样本的预测标签和预测置信度、以及干净子集中各类别的置信度从噪声子集中筛选出潜在可被纠正样本集： 其中，表示噪声子集；表示噪声样本的预测标签；表示潜在可被纠正样本集，表示噪声子集中噪声样本的预测置信度；表示干净子集中类别的置信度； S24：根据k近邻锚点准则，从干净子集中选取潜在可被纠正样本的k个最近邻样本，并计算图像分类模型对潜在可被纠正样本和其k个最近邻样本的mixup预测一致性；并将预测一致的潜在可被纠正样本从噪声子集转移到干净子集； 所述步骤S24包括： S241：将潜在可被纠正样本集中的潜在可被纠正样本输入图像分类模型，得到特征投影器输出的低维度特征集，，表示潜在可被纠正样本的数量； S242：将干净样本子集中的干净样本输入图像分类模型，得到特征投影器输出的低维度特征集，； S243：将潜在可被纠正样本的低维度特征输入KNN模块，计算潜在可被纠正样本与干净样本的近邻样本集； S244：将潜在可被纠正样本与其对应的近邻样本进行mixup，得到mixup融合样本集，，其中，表示的第个近邻样本；表示的第个mixup融合样本；表示权重因子；表示潜在可被纠正样本； S245：将潜在可被纠正样本的mixup融合样本分别输入图像分类模型获取mixup融合样本的预测结果；对潜在可被纠正样本的个mixup融合样本在所有类别上的预测结果取平均得到潜在可被纠正样本的融合预测标签与融合置信度： S246：根据干净子集中各类别样本的置信度、潜在可被纠正样本的融合预测标签与融合置信度，获取可纠正样本集合： 其中，表示在次迭代类别的置信度，通过步骤S233计算得到；表示可纠正样本的数量； S247：将可纠正样本集合中的样本转移到干净子集； S25：更新噪声子集和干净子集，针对干净子集和噪声子集使用监督学习与半监督学习相结合的方式训练图像分类模型，重复执行步骤S23-S25，直至到达预设的迭代次数，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。