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！

龙图腾网获悉电子科技大学申请的专利一种基于任务级注意力的深度神经网络持续学习方法及系统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：CN121389043B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202511974406.4，技术领域涉及：G06F18/25；该发明授权一种基于任务级注意力的深度神经网络持续学习方法及系统是由赵洋;颜家林;蔡柠泽;程洪设计研发完成，并于2025-12-25向国家知识产权局提交的专利申请。

本一种基于任务级注意力的深度神经网络持续学习方法及系统在说明书摘要公布了：本发明涉及人工智能与机器学习技术领域，具体涉及一种基于任务级注意力的深度神经网络持续学习方法及系统，包括全局经验池构建、分层特征增强网络、指数移动平均模型，通过任务流接收、分任务序贯训练及动态推理等步骤，通过在分任务序贯训练及动态推理步骤中融合任务注意力模块组与经验回放等核心机制，实现不同任务特征的高效筛选、存储与利用；结合优化的分层特征增强网络及动态特征融合设计，显著提升模型持续学习综合性能。本发明兼顾新任务的高效学习能力与旧任务的记忆保留效果，为深度神经网络在多任务持续学习环境中的应用提供了全新解决方案。

本发明授权一种基于任务级注意力的深度神经网络持续学习方法及系统在权利要求书中公布了：1.一种基于任务级注意力的深度神经网络持续学习方法，其特征在于，包括以下步骤： S1.系统初始化：构建全局经验池、分层特征增强网络、指数移动平均模型以及分类器；所述指数移动平均模型的初始参数与分层特征增强网络的初始参数一致； S2.任务流接收：顺序接收包含k个学习任务的任务流，k1，其中每个学习任务对应一个互不相交的类别子集，并为每个任务分配唯一的任务身份索引；任务流根据其推理阶段是否提供任务身份索引，被定义为类别增量学习场景或任务增量学习场景； S3.分任务序贯训练：对于任务流中的第t个学习任务，t从1至k，执行以下学习过程： S31.获取第t个学习任务的训练样本集，并从全局经验池中采样历史代表性样本，将历史代表性样本与训练样本集合并得到混合训练批次，其中，训练样本集以及历史代表样本为图像数据集； S32.使用分层特征增强网络对混合训练批次进行分层特征提取和特征增强处理，得到增强特征； S33.基于步骤S32得到的增强特征，使用任务注意力模块组获取注意力权重，使用动态门控网络模块生成随样本内容动态调整的样本级自适应权重，其实现方法为： 所述任务注意力模块组包含k个独立的任务注意力模块，每个模块与一个学习任务唯一对应；任务注意力模块组根据不同的持续学习场景，采用以下两种工作模式之一： 在任务增量学习场景下：模块组接收当前训练任务的任务身份索引，根据任务身份索引直接调用其对应的任务注意力模块，对输入的增强特征进行处理，生成所述注意力权重； 在类别增量学习场景下：模块组将输入的增强特征同时输入至多个已训练的任务注意力模块；通过计算增强特征与各模块输出之间的均方误差，选取均方误差最小的模块作为适配模块，并输出该适配模块生成的注意力权重； S34.融合注意力权重和样本级自适应权重，得到融合权重，并将融合权重与步骤S32所得增强特征进行融合，得到融合特征； S35.将步骤S34所得融合特征输入分类器得到分类结果； S36.计算总损失，根据总损失更新分层特征增强网络、当前任务对应的任务注意力模块以及分类器的参数；根据更新后的分层特征增强网络，更新所述指数移动平均模型的参数； S37.根据预设策略从第t个学习任务的训练样本集中选择代表性样本存入全局经验池； S4.基于步骤S3训练所得分层特征增强网络、任务注意力模块组及分类器，对待分类输入样本进行预测，得到预测结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新(西)区西源大道2006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。