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！

龙图腾网获悉无锡锡商银行股份有限公司申请的专利基于难易样本关联学习的图像分类模型构建及训练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：CN117152537B 。

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：202311365144.2，技术领域涉及：G06V10/764；该发明授权基于难易样本关联学习的图像分类模型构建及训练方法是由于天星;杨赛;顾全林设计研发完成，并于2023-10-20向国家知识产权局提交的专利申请。

本基于难易样本关联学习的图像分类模型构建及训练方法在说明书摘要公布了：本发明涉及计算机视觉技术领域，具体公开了一种基于难易样本关联学习的图像分类模型构建及训练方法，包括：对训练集中的样本图像进行处理，并构建图像分类模型；使用训练集中的所有处理后的样本图像对图像分类模型进行训练，得到预训练图像分类模型；使用预训练图像分类模型对训练集中的所有处理后的样本图像进行推理，将训练集划分为困难样本集和容易样本集；基于困难样本集和容易样本集的关联学习机制对预训练图像分类模型进行调优训练，每轮调优训练完成后更新困难样本集和容易样本集，多轮调优训练完成后得到最终的图像分类模型。本发明可以减少类别分布不平衡引起的偏差，增强模型对困难样本特征的捕捉学习，提高图像分类识别的精度。

本发明授权基于难易样本关联学习的图像分类模型构建及训练方法在权利要求书中公布了：1.一种基于难易样本关联学习的图像分类模型构建及训练方法，其特征在于，包括如下步骤： 步骤S1：获取训练集中的样本图像，并构建图像分类模型； 步骤S2：对所述训练集中的样本图像进行预处理，以得到处理后的样本图像； 步骤S3：使用所述训练集中的所有处理后的样本图像对构建的所述图像分类模型进行初步训练，以得到预训练图像分类模型； 步骤S4：使用所述预训练图像分类模型对所述训练集中的所有处理后的样本图像进行推理，然后根据样本图像推理结果将训练集划分为困难样本集和容易样本集； 步骤S5：基于困难样本集和容易样本集的关联学习机制对所述预训练图像分类模型进行调优训练，每轮调优训练完成后，使用当前调优训练后的图像分类模型对当前困难样本集中的困难样本图像和当前容易样本集中的容易样本图像进行推理，根据困难样本图像的推理结果和容易样本图像的推理结果更新当前困难样本集和当前容易样本集，多轮调优训练完成后得到最终的图像分类模型； 其中，所述基于困难样本集和容易样本集的关联学习机制对所述预训练图像分类模型进行调优训练，包括： 在每一轮调优训练中，将当前困难样本集中的困难样本图像和当前容易样本集中的容易样本图像等比例混合多批送入当前图像分类模型中进行调优训练；其中，在当前图像分类模型的调优训练过程中，一批m个容易样本图像通过当前图像分类模型中的特征提取模块对应得到容易样本特征，其中；同时一批n个困难样本图像通过当前图像分类模型中的特征提取模块对应得到困难样本特征，其中； 计算特征空间中容易样本特征与困难样本特征两两之间的相似性，以及得到容易样本特征和困难样本特征之间的相似性矩阵； ， 其中，是相似性度量函数，选择欧式距离、余弦相似度或者径向基函数； 基于相似性矩阵得到容易样本特征到困难样本特征间的关联概率矩阵和困难样本特征到容易样本特征间的关联概率矩阵；其中，对容易样本特征来说，其到当前批任一困难样本特征的关联概率通过对相似性矩阵的第列使用Softmax函数归一化计算得到；对困难样本特征来说，其到当前批任一容易样本特征的关联概率通过对相似性矩阵的第列使用Softmax函数归一化计算得到；计算公式如下： ， 基于容易样本特征到困难样本特征间的关联概率矩阵和困难样本特征到容易样本特征间的关联概率矩阵，计算在当前批所有样本特征构成的特征空间中两两困难样本特征之间的关联关系； 依据特征空间中两两困难样本特征之间的关联关系、困难样本特征到容易样本特征间的关联概率矩阵以及所有容易样本特征的分类向量矩阵三者，计算当前批任一困难样本特征的分类向量，并获取当前批所有困难样本特征的分类向量矩阵；计算公式如下： ， 其中，为在当前批特征空间中困难样本特征对困难样本特征的关联关系，为所有容易样本特征经过当前特征分类模块后得到的分类向量构成的矩阵。

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无锡锡商银行股份有限公司，其通讯地址为：214101 江苏省无锡市锡山区安镇街道东翔路578号红豆财富广场7层；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。