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！

龙图腾网获悉浙江大学杭州国际科创中心申请的专利一种双向判别性特征对齐的分层知识融合方法及装置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：CN115795993B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202211119323.3，技术领域涉及：G06F30/27；该发明授权一种双向判别性特征对齐的分层知识融合方法及装置是由徐仁军;梁朔颖设计研发完成，并于2022-09-14向国家知识产权局提交的专利申请。

本一种双向判别性特征对齐的分层知识融合方法及装置在说明书摘要公布了：本发明公开了一种双向判别性特征对齐的分层知识融合方法，包括：将样本输入教师模型得到教师软预测结果集合，将无标签图像数据输入初始学生模型得到学生模型预测结果；提取最后一层特征，并将最后一层特征输入到共同特征提取器中得到共同特征；通过判别质心聚类策略使不同类中心彼此远离，同时将每个教师共同特征向同类类中心接近；通过熵杂质衡量教师软预测结果的模糊度，构建可靠的源域特征和目标域特征，将伪标签分别与源域的共同特征和目标域的共同特征进行Kronecker积进行区分性映射，通过最大平均差异方法进行特征对齐；构建总损失函数，通过总损失函数训练初始学生模型得到能够准确分类的综合性学生模型。

本发明授权一种双向判别性特征对齐的分层知识融合方法及装置在权利要求书中公布了：1.一种双向判别性特征对齐的分层知识融合方法，其特征在于，包括： 1获得无标签图像数据集、教师模型，构建初始学生模型，将无标签图像数据作为样本，将样本输入教师模型得到教师软预测结果，并将进行拼接的教师软预测结果输入至激活函数得到伪标签，将无标签图像数据输入初始学生模型得到学生模型预测结果； 2分别提取教师模型和初始学生模型中的最后一层特征，并将最后一层特征输入到共同特征提取器中分别得到教师共同特征集合和学生共同特征；基于伪标签对应的类标志符采用增量学习策略确定类中心，通过判别质心聚类策略对教师模型中的不同类中心进行距离惩罚，使不同类中心彼此远离，同时将每个教师共同特征向同类类中心接近以得到聚类共同特征集； 3将每个教师软预测结果输入到熵杂质公式，以衡量教师软预测结果的模糊度，然后对模糊度归一化后的结果与约束边界进行比较，筛选满足要求的自信教师模型，将筛选的自信教师模型对应的聚类共同特征集合和学生共同特征进行混合得到混合域共同特征集合，从混合域共同特征集合中随机筛选部分共同特征集合作为源域特征，然后将剩余的共同特征集合作为目标域特征，使用Kronecker积将共同特征和对应的伪标签进行绑定，使得源域和目标域的共同特征得以区分性映射，达到源域和目标域中的同一类特征映射到同一子空间的目的，最后将源域特征和目标域特征中映射后的共同特征通过最大平均差异方法进行对齐； 4构建总损失函数，通过总损失函数训练初始学生模型得到最终学生模型，总损失函数包括判别质心聚类策略损失函数、可靠的联合组合损失函数、重建损失函数和分类分数损失函数； 其中，基于教师模型中的最后一层特征和重构特征构建重建损失函数，基于教师模型的共同特征采用多层卷积神经网络得到教师模型的重构特征，基于多个类中心和每个教师共同特征构建判别质心聚类策略损失函数；基于源域特征和目标域特征分别与对应的伪标签进行Kronecker积的结果采用最大平均差异损失构建可靠联合组合损失函数；基于教师软预测结果集合和学生模型预测结果通过交叉熵损失构建分类分数损失函数； 5应用时，将无标签的图像数据输入至最终学生模型得到无标签的图像数据的类别。

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浙江大学杭州国际科创中心，其通讯地址为：311200 浙江省杭州市经济技术开发区萧山区建设三路733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。