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！

龙图腾网获悉复旦大学申请的专利一种面向深度有序回归模型的生成式特征有序正则化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：CN114494785B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202210116188.0，技术领域涉及：G06V10/764；该发明授权一种面向深度有序回归模型的生成式特征有序正则化方法是由单洪明;雷一鸣;张军平设计研发完成，并于2022-01-28向国家知识产权局提交的专利申请。

本一种面向深度有序回归模型的生成式特征有序正则化方法在说明书摘要公布了：本发明属于图像分类技术领域，具体为一种面向深度有序回归模型的生成式特征有序正则化方法。本发明通过深度卷积神经网络将输入图像映射为低维特征表示，在相应的低维空间中计算批中所有样本的低维特征表示之间的距离；然后计算批中所有样本的有序标签之间的距离；将所得的批中所有样本与其他样本之间的特征表示距离向量和标签距离向量分别进行归一化；对归一化后的特征向量和标签距离向量计算散度，以此来约束在嵌入空间中特征的分布与有序标签的分布一致，即保证特征的有序性；模型最终的损失函数包括有序回归损失和该KL散度损失；本发明方法有助于提高在多种任务场景如人脸年龄估计、医学图像分类、历史图像年代分类等下的分类性能。

本发明授权一种面向深度有序回归模型的生成式特征有序正则化方法在权利要求书中公布了：1.一种面向深度有序回归模型的生成式特征有序正则化方法，针对人脸年龄估计、医学图像分类以及历史图像年代分类三种图像，其特征在于，具体步骤如下： 1选择判别式的有序回归模型； 深度有序回归方法是基于如下判别模型： pY|X＝gfθX；1 同时构造一个马尔可夫链： X→Z＝fθX→Y；2 其中，X和Y均为随机变量，分别表示输入空间中的一个样本点和该样本点所对应的类别标签，Z为隐变量，fθ·为特征提取网络，具体为一个参数为θ的卷积神经网络，g·为标签映射函数；具体地，有N个相互独立的样本{x1，y1，x2，y2，...，xN，yN}，则标签满足： y∈{r1，r2，...，rK}，且r1≤r2≤…≤rK； 可得有序回归模型的目标为学习一个从X到Y的映射，其中，K表示有序标签的个数； 2从生成模型的角度来建模有序回归； 步骤1中的判别式有序回归模型学习到的特征表达具有较多的与有序信息无关的特征，不能保证隐空间中特征的有序关系；将X看作是由标签Y生成的，则该生成模型表示为： pX，Y＝pYpX|Y，3 条件概率pX|Y表明，高维空间中的输入变量X与有序标签Y在隐空间中具有相同的内在维度；则使得隐空间中的特征向量Z具有与Y相同的维度将简化学习的目标； 将Y看作嵌入在高维流形中的X的低维表示，则Y为X的隐变量，内在维度为1；而隐变量Z的内在维度也为1，从而得到如下马尔科夫链： Y→Z→X，4 用信息瓶颈准则来描述X和Y之间的相关信息，即互信息；Y隐式地决定了X中与有序信息有关或无关的特征，则得到如下马尔可夫链： Y→X→Z，5 对于一个X来说，最优的特征表达Z应捕捉到与类别Y最相关的特征，且使得对X的预测不受无关信息的影响；因此，最大化Y和Z之间的互信息，以此来保持Z中的有序信息； 3构建有序标签的概率分布； 将样本的特征表达进行降维，使其与有序标签的一维分布对齐；首先，将有序标签映射为一个概率分布： 这里，Pii＝0，则有序标签被转化为一个概率，代表任意两个有序标签之间的距离,其中，yi，yj，yk，yl分别代表一个批中不同样本对应的有序标签； 4构建特征表示的概率分布； 与标签概率分布类似，特征表示的概率分布为： 这里，Qii＝0，z＝fθx，其中，zi，zj，zk，zl分别代表一个批中不同样本的特征表示； 5有序特征正则化； 至此，得到样本特征表达和有序标签的概率分布表示；利用KL散度来度量特征表示概率分布与标签概率分布之间的距离： 公式8使得特征分布与标签分布在隐空间中对齐；由于标签空间是全局有序的，基于批训练的方法可以学习到全局有序信息； 6构建损失函数； 使用的损失函数为： 其中，λ为超参数；表示现有深度有序回归方法中涉及的损失函数。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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”。