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！

龙图腾网获悉安徽大学申请的专利一种基于标记增强的图像多维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：CN116935114B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310880906.6，技术领域涉及：G06V10/764；该发明授权一种基于标记增强的图像多维分类方法是由唐俊;陈文慧;王科;张艳;王年设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于标记增强的图像多维分类方法在说明书摘要公布了：本发明公开了一种基于标记增强的图像多维分类方法，包括：1构建多维分类训练集；2对训练集中图像样本的标记进行编码，将原始标记空间编码成三元标记空间；3构建基于概率的标记增强模型来丰富编码标记空间中的监督信息，获得实数型标记分布；4基于实数型标记分布构建多输出回归模型；5对未知类图像样本进行预测。本发明通过构建基于概率的标记增强模型获得图像样本的实数型标记分布，使得特征差异较大的图像样本恢复出更具区分度的标记分布，从而解决在标记分布空间上的数据拥挤问题，并将图像的多维分类问题转化成了一个多输出回归问题，并基于实数型标记分布来构建多输出回归模型，从而提高了对图像多维分类的准确性。

本发明授权一种基于标记增强的图像多维分类方法在权利要求书中公布了：1.一种基于标记增强的图像多维分类方法，其特征在于，包括以下步骤： 步骤1：获取n个图像样本的特征矩阵及标记矩阵其中，表示转置，xi表示第i个图像样本的特征向量，且表示输入空间；yi表示第i个图像样本的标记向量，且表示由s个类别空间的笛卡尔积构成的输出空间，Cj表示第j个类别空间，且Cj包含Gj个类别标记，1≤j≤s，yij表示yi的第j个标记值，且标记向量yi中每个标记值对应一个不同的类别空间；即yij∈Cj；n是图像样本的数量，d是图像样本的特征向量的维数，s是图像样本的标记向量的维数；由X和Y构成训练集； 步骤2：对训练集中的标记矩阵Y进行编码，从而将输出空间编码成三元标记空间； 步骤2.1：对Y的类别空间进行一对一的标记编码，从而生成一个三元标记矩阵L＝[L1,L2,…,Lj,…,Ls]∈{1,0,-1}n×l；是第j个类别空间Cj的编码标记矩阵，lj表示Lj的列维数，且l表示L的列维数，且 步骤2.2：利用式1得到Lj中第k列元素对应于第j个类别空间Cj中的类别标记对 式1中，表示类别标记对中前一个类别标记的取值，表示类别标记对中后一个类别标记的取值，表示第j个类别空间Cj的第u个类别标记，表示第j个类别空间Cj的第k+u-fju-1个类别标记，fju表示第j个类别空间Cj的前u个类别标记与剩余类别标记两两组合的种类总数，且v表示第j个类别空间Cj的类别标记的序号；fju-1表示第j个类别空间Cj的前u-1个类别标记与剩余类别标记两两组合的种类总数，当u＝0时，令fju＝0； 步骤2.3：利用式2计算Lj中第i行第k列的元素 步骤3：构建基于概率的标记增强模型，以获得实数型标记分布； 步骤3.1：利用式3构建标记增强模型的目标函数 式3中，KL·为KL散度，D是待学习的标记分布矩阵，W是待学习的映射矩阵；P为特征相似矩阵，Q为标记分布相似矩阵，α和β是两个平衡参数，并有： 式4中，pih表示第i个图像样本的特征向量xi和第h个图像样本的特征向量xh之间的相似性；qih表示第i个图像样本的标记分布向量di和第h个图像样本的标记分布向量dh之间相似性，并有： 式5和式6中，δ2表示高斯分布的方差，xw表示第w个图像样本的特征向量，xo表示第o个图像样本的特征向量，w∈[1,n]，o∈[1,n]；dw表示第w个图像样本的标记分布向量；do表示第o个图像样本的标记分布向量；di∈D，dj∈D，dw∈D，do∈D； 步骤3.2：利用迭代策略对所述目标函数进行求解，得到最优标记分布矩阵D*和最优映射矩阵W*； 步骤4：基于实数型标记分布构建多输出回归模型； 步骤4.1：利用式7构建多输出回归模型的目标函数Πθ,b： 式7中，θ＝[θ1,θ2,…,θc,…,θl]为回归模型的权值矩阵，b＝[b1,b2,…,bc,…bl]为回归模型的偏置矩阵，θc表示回归模型的第c个权值向量，θl表示回归模型的第l个权值向量，bc表示回归模型的第c个偏置向量，bl表示回归模型的第l个偏置向量；λ表示超参数，Π1θ,b表示回归模型的第一项损失，并由式8得到，Π2·表示回归模型的第二项损失，并由式12得到，gi表示第i个图像样本的预测值向量，且 式8中，γ表示超参数，Lossmi表示误差值较大的选定图像样本的最优标记分布与相应预测值之间的总误差，并由式9得到，mi表示第i个图像样本的最优标记分布向量与其相应预测值向量之间的误差的模，并由式10得到： 式9中，ξ表示设定的阈值； 式10中，τi表示第i个图像样本的最优标记分布向量与其相应预测值量之间的误差，并由式11得到； 式12中，表示第i个图像样本的最优标记分布向量； 步骤4.2：采用拟牛顿迭代方法对所述目标函数Πθ,b进行求解，得到最优权值矩阵θ*和偏置矩阵b*； 步骤5：对未知类图像样本进行预测： 利用多输出回归模型的最优权值矩阵θ*和偏置矩阵b*，得到未知类图像样本x*的预测标记分布并利用符号函数sign·生成d*的二进制标记向量，从而根据步骤2.2和步骤2.3对二进制标记向量进行逆操作，以得到未知类图像样本x*在每个类别空间的类别。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。