買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中山大學(xué)申請(qǐng)的專利基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115019106B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210733867.2，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置是由肖遙;羅彬;陳宇恒;魏朋旭;林倞設(shè)計(jì)研發(fā)完成，并于2022-06-27向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置在說明書摘要公布了：本發(fā)明公開了一種基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置，方法包括下述步驟：獲取無監(jiān)督目標(biāo)域自然樣本集；構(gòu)建魯棒無監(jiān)督域自適應(yīng)圖像分類框架，包括非魯棒目標(biāo)域教師模型和魯棒目標(biāo)域?qū)W生模型；使用預(yù)訓(xùn)練的非魯棒源域模型對(duì)非魯棒目標(biāo)域教師模型的參數(shù)進(jìn)行初始化，在無監(jiān)督目標(biāo)域自然樣本集上進(jìn)行端到端的迭代訓(xùn)練；構(gòu)造魯棒目標(biāo)域?qū)W生模型，在無監(jiān)督目標(biāo)域自然樣本集上進(jìn)行對(duì)抗蒸餾訓(xùn)練，輸出圖像分類結(jié)果。本方法將知識(shí)蒸餾和對(duì)抗訓(xùn)練結(jié)合起來，在源域數(shù)據(jù)完全缺失的情況下，只使用非魯棒源域模型獲得目標(biāo)域上的魯棒模型，在保持對(duì)目標(biāo)域自然樣本分類性能的同時(shí)，有效地提升了對(duì)目標(biāo)域?qū)箻颖镜姆诸愋阅芎湍Ｐ偷聂敯粜浴?

本發(fā)明授權(quán)基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法及裝置在權(quán)利要求書中公布了：1.基于對(duì)抗蒸餾的魯棒無監(jiān)督域自適應(yīng)圖像分類方法，其特征在于，包括下述步驟：獲取無監(jiān)督目標(biāo)域自然樣本集；構(gòu)建魯棒無監(jiān)督域自適應(yīng)圖像分類框架；所述魯棒無監(jiān)督域自適應(yīng)圖像分類框架包括非魯棒目標(biāo)域教師模型和魯棒目標(biāo)域?qū)W生模型；所述魯棒無監(jiān)督域自適應(yīng)圖像分類框架的目標(biāo)函數(shù)是基于間隔差異散度在無源域數(shù)據(jù)條件下進(jìn)行推導(dǎo)而得，具體為：根據(jù)間隔學(xué)習(xí)理論可得，對(duì)于任意一個(gè)得分函數(shù)f，都滿足： 其中是一個(gè)理想間隔損失，是得分函數(shù)f在目標(biāo)對(duì)抗域上基于0-1損失的分類誤差，是得分函數(shù)f在源域上以常數(shù)ρ為間隔的分類誤差，是以常數(shù)ρ為間隔的源域和目標(biāo)域的間隔差異散度，是以常數(shù)ρ為間隔的目標(biāo)域和目標(biāo)對(duì)抗域的間隔差異散度；令在目標(biāo)對(duì)抗域上基于0-1損失的分類誤差達(dá)到最小的最優(yōu)得分函數(shù)f，故根據(jù)1式的右端項(xiàng)得： 在源域數(shù)據(jù)完全缺失的條件下可知，得分函數(shù)f在源域上以常數(shù)ρ為間隔的分類誤差是常數(shù)，故根據(jù)2式推導(dǎo)出魯棒無監(jiān)督域自適應(yīng)圖像分類框架的目標(biāo)函數(shù)為： 其中，為非魯棒目標(biāo)域教師模型的目標(biāo)函數(shù)，為魯棒目標(biāo)域?qū)W生模型的目標(biāo)函數(shù)；使用預(yù)訓(xùn)練的非魯棒源域模型對(duì)非魯棒目標(biāo)域教師模型的參數(shù)進(jìn)行初始化，在無監(jiān)督目標(biāo)域自然樣本集上進(jìn)行端到端的迭代訓(xùn)練，得到訓(xùn)練好的非魯棒目標(biāo)域教師模型；所述得到訓(xùn)練好的非魯棒目標(biāo)域教師模型，具體為：采用不使用源域數(shù)據(jù)的無監(jiān)督域自適應(yīng)學(xué)習(xí)模型進(jìn)行標(biāo)準(zhǔn)的無監(jiān)督域自適應(yīng)學(xué)習(xí)，獲得非魯棒目標(biāo)域教師模型；使用預(yù)訓(xùn)練的非魯棒源域模型的參數(shù)對(duì)非魯棒目標(biāo)域教師模型的參數(shù)進(jìn)行初始化；將無監(jiān)督目標(biāo)域自然樣本集輸入非魯棒目標(biāo)域教師模型中進(jìn)行端到端的迭代訓(xùn)練，得到訓(xùn)練好的非魯棒目標(biāo)域教師模型；基于訓(xùn)練好的非魯棒目標(biāo)域教師模型構(gòu)造魯棒目標(biāo)域?qū)W生模型，在無監(jiān)督目標(biāo)域自然樣本集上進(jìn)行對(duì)抗蒸餾訓(xùn)練，得到訓(xùn)練好的魯棒目標(biāo)域?qū)W生模型并輸出圖像分類結(jié)果；所述得到訓(xùn)練好的魯棒目標(biāo)域?qū)W生模型，具體為：采用和非魯棒目標(biāo)域教師模型相同的結(jié)構(gòu)構(gòu)造魯棒目標(biāo)域?qū)W生模型；根據(jù)魯棒目標(biāo)域?qū)W生模型的參數(shù)信息，對(duì)無監(jiān)督目標(biāo)域自然樣本集中每個(gè)自然樣本生成對(duì)應(yīng)的對(duì)抗樣本；進(jìn)行對(duì)抗蒸餾訓(xùn)練，每次迭代訓(xùn)練過程中，將非魯棒目標(biāo)域教師模型的參數(shù)固定，對(duì)魯棒目標(biāo)域?qū)W生模型進(jìn)行端到端的訓(xùn)練，得到訓(xùn)練好的魯棒目標(biāo)域?qū)W生模型并輸出圖像分類結(jié)果。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人中山大學(xué)，其通訊地址為：510275 廣東省廣州市海珠區(qū)新港西路135號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。