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！

龙图腾网获悉哈尔滨工程大学申请的专利基于深度对抗域自适应的多源开集图像分类方法、电子设备及计算机存储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：CN117274695B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202311233678.X，技术领域涉及：G06V10/764；该发明授权基于深度对抗域自适应的多源开集图像分类方法、电子设备及计算机存储介质是由张海涛;刘馨冉;韩启龙;宋洪涛设计研发完成，并于2023-09-22向国家知识产权局提交的专利申请。

本基于深度对抗域自适应的多源开集图像分类方法、电子设备及计算机存储介质在说明书摘要公布了：基于深度对抗域自适应的多源开集图像分类方法、电子设备及计算机存储介质，涉及迁移学习领域,解决现有多源开放集迁移学习方法将目标域中的未知类视为一个大类别，忽略了类别的多样性，易造成未知类的混淆的问题。本发明提供以下技术方案：多源开集图像分类方法包括以下步骤：将公开数据集作为试验数据集，对目标数据集按字母顺序分为已知类和未知类，对目标域数据集进行预处理；预处理后的目标数据集引入对比正则项，获得源域数据集的域不变特征；为目标域数据集中未知类样本构造决策边界；预测属于目标域数据集中的未知类样本的概率；采用改进的无监督聚类算法迭代地为得到的未知类样本进行聚类。还适用多源开放集图像分类方法领域。

本发明授权基于深度对抗域自适应的多源开集图像分类方法、电子设备及计算机存储介质在权利要求书中公布了：1.基于深度对抗域自适应的多源开集图像分类方法，其特征在于，包括以下步骤： S1、将公开数据集作为试验数据集，所述试验数据集划分为源域数据集和目标域数据集，对所述目标域数据集按照字母顺序分为已知类和未知类，对所述试验数据集进行预处理； S2、在预处理后的源域数据集中引入对比正则项，获得源域数据集的域不变特征； S3、通过对抗训练的方法，区分目标域数据集中的已知类和未知类，根据获得的源域数据集的域不变特征，对所述目标域数据集和源域数据集在特征空间内对齐，并为目标域数据集中未知类样本构造决策边界； S4、通过训练细粒度预测器预测属于目标域数据集中的未知类样本的概率，动态调整S3中建立的决策边界； S5、采用改进的无监督聚类算法迭代地为S4得到的未知类样本进行聚类； 所述试验数据集采用Office-Home数据集、Office31数据集和Digit数据集共同完成； S2包括以下步骤： S2.1:在每个源域数据集中选择相等数量的样本以构建包含所有源域数据集类别的训练批次；将每个源域数据集的样本经过不同的数据增强变换得到不同的变换视图，选择相同类别的样本为正样本，不同类别的样本为负样本； S2.2:利用特征提取器获得每个源域数据集的特征表达； S2.3:采用距离度量方法计算正样本对和负样本对之间的相似度； S2.4:根据距离或相似度度量，引入对比正则项； S2.5：为每个源域数据集训练独立的分类器，将分类器设定为k+1个类别，前k类表示已知类别，第k+1类表示未知类别；计算模型预测与真实标签之间的分类损失，使用反向传播和优化器更新模型参数； 所述S2.3中，采用距离度量方法计算正样本对和负样本对之间的相似度，采用公式： 实现；其中，为u的转置向量，u、v为样本的特征表示向量，所述样本为正样本和负样本； S3中包括以下步骤： S3.1:使用分类器为目标域数据集中的未知类构造决策边界，将目标域数据输入到每个独立的分类器中，对于每个类别，将所有分类器预测值的均值作为目标域的预测概率；将已知类别和未知类别的决策边界设为t，其中t的取值为0t1； S3.2:训练特征提取器以欺骗分类器最小化对抗性损失函数，在类别分类器和特征提取器之间用梯度反转层连接； S4中包括以下步骤： S4.1:对目标域数据集中的每个样本计算其熵值，测量其不确定性；根据计算的熵值对目标域样本进行排序，从中选择前百分之五十的样本，分别为已知类样本候选集和未知类样本候选集，并分别赋予鉴别标签1和0； S4.2:利用特征提取器分别从已知类样本候选集和未知类样本候选集中提取样本特征并输入到细粒度预测器中，并使用带有梯度反转层的训练策略来训练细粒度预测器；预测器的训练目标是最小化已知类别样本的预测误差和未知类别样本预测的误差，同时鼓励特征提取器产生更具有区分性的特征； S4.3:将目标域数据集的其余样本输入到训练好的细粒度预测器中，获得目标域数据集中每个样本属于未知类别的概率预测，为所有被预测为未知类的样本构造新未知类样本候选集； S4.4:对于目标域数据集的每个样本，使用细粒度预测器的输出作为软实力水平的权重，所述权重将用于动态调整S3构造的决策边界； S5中包括以下步骤： S5.1：将S4得到的新未知类样本候选集输入特征提取器，获取其特征表达； S5.2：给定参数半径和邻域密度域值的范围，等间隔取b个值，并取邻域密度域值区间内所有整数值，交叉组合生成组参数对； S5.3：在新未知类样本候选集上迭代地执行无监督聚类算法并计算其轮廓系数，共执行轮，记录最大的轮廓系数及对应的半径和邻域密度域值； S5.4：在未知类样本候选集上使用记录的半径和邻域密值执行无监督聚类算法，通过伪标注将未知类样本候选集分类为k*个新类别。

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哈尔滨工程大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区南通大街145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。