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基于多分类器的增量训练方法、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：CN114925828B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202210599548.7，技术领域涉及：G06N3/096；该发明授权基于多分类器的增量训练方法、装置、设备和介质是由舒畅;陈又新设计研发完成，并于2022-05-30向国家知识产权局提交的专利申请。

本基于多分类器的增量训练方法、装置、设备和介质在说明书摘要公布了：本申请的基于多分类器的增量训练方法、装置、设备和介质，其中方法包括：基于池化知识蒸馏构建第一损失函数，使用所述第一损失函数对卷积神经网络的特征提取器及主分类器进行训练，更新特征提取器参数和主分类器参数；根据副分类器和标注数据的副分类器交叉熵损失函数，以及副分类器之间的分类器差异损失函数，构建第二损失函数；通过所述第二损失函数对所述副分类器进行训练，更新副分类器参数。在计算新旧模型差异时在传统知识蒸馏的基础上加入池化操作，使得第一损失函数具有更好的可塑性，得到的模型能够更好的适应新任务。相比于单分类器的增量训练模型，引入多个副分类器计算第二损失函数能够使得增量训练模型更为鲁棒。

本发明授权基于多分类器的增量训练方法、装置、设备和介质在权利要求书中公布了：1.一种基于多分类器的增量训练方法，其特征在于，包括： 基于池化知识蒸馏构建第一损失函数，使用所述第一损失函数对卷积神经网络的特征提取器及主分类器进行训练，更新特征提取器参数和主分类器参数；所述第一损失函数的公式如下： ； 其中，LCE为主分类器交叉熵损失函数，F为特征提取器，Mt为第t个任务的主分类器，λ为平衡参数，LPOOL为池化知识蒸馏损失函数；所述主分类器交叉熵损失函数为主分类器的输出分类与标记类别之间的交叉熵； 根据副分类器和标注数据的副分类器交叉熵损失函数，以及副分类器之间的分类器差异损失函数，构建第二损失函数；通过所述第二损失函数对所述副分类器进行训练，更新副分类器参数；所述副分类器交叉熵损失函数由所有所述副分类器的softmax分类结果与所述标注数据的交叉熵得到； 所述特征提取器、所述主分类器和所述副分类器用于对所述卷积神经网络进行训练； 所述基于池化知识蒸馏构建第一损失函数，包括： 根据空间维度和平面约束计算所述主分类器的池化蒸馏损失； 根据空间维度和平面约束计算所述副分类器的池化蒸馏损失； 根据所述主分类器的池化蒸馏损失和所述副分类器的池化蒸馏损失，计算所述池化知识蒸馏损失函数； 所述池化知识蒸馏损失函数的计算公式如下： 其中，Lfinal-M为主分类器的池化知识蒸馏损失，Lfinal-S为副分类器的池化知识蒸馏损失； 根据所述交叉熵损失函数和所述池化知识蒸馏损失函数构建所述第一损失函数； 所述空间维度包括宽度维度和高度维度，空间维度进行池化为对宽度维度进行池化和对高度维度进行池化的和； 对宽度维度进行池化的公式如下： ； 其中，t表示第t个任务，l表示第l层卷积神经网络，c表示通道数，C为通道总数，h表示宽度，H为总宽度，w表示高度，W为总高度，表示第t个任务第l层卷积神经网络的输出，表示对宽度维度进行池化； 对高度维度进行池化的公式如下： ； 表示对高度维度进行池化； 所述使用所述第一损失函数对卷积神经网络的特征提取器及主分类器进行训练，包括： 获取训练过程的N个训练任务，所述训练过程包含NT个训练组，一个所述训练组包括T个所述训练任务； 第t个所述训练任务包括Ct种训练样本，所述第t个训练任务对应的输入图像集为Xt，标记类别为Yt。

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。