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！

龙图腾网获悉南京大学申请的专利一种基于两阶段主动学习的图像识别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：CN116824237B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310715906.0，技术领域涉及：G06V10/764；该发明授权一种基于两阶段主动学习的图像识别分类方法是由杨育彬;范译;江彪设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本一种基于两阶段主动学习的图像识别分类方法在说明书摘要公布了：本发明公开了一种基于两阶段主动学习的图像识别分类方法，包含如下步骤：使用常规主动学习方法进行第一阶段主动采样；对各视图中的样本进行聚类；计算两个视图间的一致度；使用表达度和稳定度进行第二阶段主动采样；对神经网络进行训练；对模型进行迭代优化。本发明是一种与具体的学习任务无关、与现有主动学习方法解耦的新型主动学习方法，可以应用在多种主动学习场景中，且可以与现有主动学习方法结合使用。此外，本发明同时考虑到了样本的表达性和稳定性，采样出的用于标注的样本具有较高的可信度。本发明实现了准确、扩展性强的基于多视图聚类计算样本表达度和稳定度的两阶段主动学习方法，因此具有较高的使用价值。

本发明授权一种基于两阶段主动学习的图像识别分类方法在权利要求书中公布了：1.一种基于两阶段主动学习的图像识别分类方法，其特征在于，包含以下步骤： 步骤1，在用于训练图像识别分类模型的数据集中，确定需要标注的数据量； 步骤2，使用主动学习方法进行第一阶段主动采样，得到第一阶段样本； 步骤3，采用多视图聚类方法，对第一阶段样本进行聚类； 步骤4，计算任意两个视图间的一致度； 步骤5，计算采样得分作为采样策略，进行第二阶段主动采样，对经过第二阶段主动采样获得的第二阶段样本进行人工标注； 步骤6，对图像识别分类模型进行训练； 步骤7，重复步骤1至步骤6，对图像识别分类模型进行迭代优化，当人工标注的样本数量达到步骤1中所确定的数据量后，跳过步骤1至步骤5，且仅使用步骤6中所述对图像识别分类模型进行训练的过程中所使用的任务损失，作为损失函数对图像识别分类模型进行训练； 步骤8，应用优化完成的图像识别分类模型进行图像识别分类； 其中，步骤3所述对第一阶段样本进行聚类，具体包括： 步骤3-1，提取每个第一阶段样本在图像识别分类模型中每一层的特征，定义所有样本在同一层的特征即为一个视图；设图像识别分类模型中用于提取特征的层共有个，即有个视图； 步骤3-2，使用高斯混合模型GMM对每个视图中第一阶段样本的分布进行建模得到GMM模型，并形成聚类结果； 步骤4所述的计算任意两个视图间的一致度，即使用Rand统计量计算两个视图即第个视图和间的一致度，其中，，，具体方法如下： 将第一阶段样本在视图上的聚类结果记为，第一阶段样本总数记为，所有样本共组成个样本对，其中样本和样本组成的样本对为，其中，；样本对中的元素和在视图和上的聚类结果，分为以下四种情况： 情况1：同时满足和； 情况2：同时满足和； 情况3：同时满足和； 情况4，同时满足和； 对于全部个样本对，每个样本对属于且仅属于上述一种情况，将所有满足情况1或情况2的样本对组成的集合记为，所有满足情况3或情况4的样本对组成的集合记为；计算和间的一致度，方法如下： ； 其中，表示集合中元素的个数； 步骤5中所述的计算采样得分作为采样策略，即根据样本表达度和样本稳定度计算采样得分，并将采样得分作为第二阶段的主动采样策略； 其中，第一阶段样本的采样得分为表达度和稳定度的加权和，即： ； 其中，是超参数，满足，是样本的样本表达度，是样本的样本稳定度； 所述第二阶段的主动采样策略为：在得到所有第一阶段样本的采样得分后，选择其中得分最高的样本作为第二阶段主动采样的结果； 步骤5中所述的样本表达度，计算方法如下： 计算视图的一致度，方法如下： ； 将一致度最高的视图作为典型视图，样本表达度为上使用步骤3中高斯混合模型GMM得到的概率密度函数值，即： ； 其中，，为典型视图的编号； 步骤5中所述的样本稳定度，计算方法如下： 将样本在视图上同类别样本的集合记为，样本在视图上同类别样本的集合记为，首先计算样本在视图和上的稳定度，方法如下： ； 然后计算的稳定度，计算方法如下： 。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。