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！

龙图腾网获悉东南大学申请的专利基于样本代表性的类别不均衡多标签图像分类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：CN115984607B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202211554147.6，技术领域涉及：G06V10/764；该发明授权基于样本代表性的类别不均衡多标签图像分类方法及系统是由张宇;曹思辰;米思娅设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本基于样本代表性的类别不均衡多标签图像分类方法及系统在说明书摘要公布了：本发明公开了一种基于样本代表性的类别不均衡多标签图像分类方法及系统，方法中样本代表性的动态损失由分类权重和动态focal损失结合构成，所述分类权重由当前分类类别与样本其他类别的标签共现率和类数目输入代表性协调函数后计算获得，所述动态focal损失由分类器输出的logits和分类权重为每个样本对每个类别计算的参数结合获得，本方法考虑了类别间的关联性，对类别的正负加权分类讨论，实现对负类别更合理的加权设计，强调了样本对于类别的代表性，来应对一些类别繁多的困难样本，有效地解决了数据集中存在的类别不均衡问题。

本发明授权基于样本代表性的类别不均衡多标签图像分类方法及系统在权利要求书中公布了：1.基于样本代表性的类别不均衡多标签图像分类方法，其特征在于：本方法中样本代表性的动态损失由分类权重和动态focal损失结合构成，所述分类权重由当前分类类别与样本其他类别的标签共现率和类数目输入代表性协调函数后计算获得，所述动态focal损失由分类器输出的logits和分类权重为每个样本对每个类别计算的参数结合获得，具体包括如下步骤： S1：对输入的类别不均衡的图像训练集，给定类别个数及样本个数，统计给各类别的样本数及类别间的标签共现率rij； S2：对于输入的图像训练集，进行数据增强处理； S3：将经过步骤S2增强处理后的训练集按数量B划分为多组batch后，陆续输入至特征提取器中得到特征图，将特征图输入至分类器中得到logits，分类器为每个样本的每个类别都输出一个logit； S4：代表性协调函数计算,所述函数的输入是当前分类类别i与样本所属标签共现率rij，具体如下： 其中，a,b,c,d,e,f均为参数； S5：注重样本代表性的重加权形式ER计算，对第k个样本的第i个类别的权重的计算形式具体如下： 其中，ni代表类别i的样本数；统计了第k个样本中所有正类别的情况，用类别j表示某一个正类别；nj为正类别对应的样本数；rij为类别i与样本正类别j的标签共现率；frij为步骤S4所得到的代表性协调函数；是权重平滑映射后的结果；ɑ，β，μ都是平滑参数； S6，动态focal损失DF计算，所述动态focal损失根据当前分类类别i的正负分为两部分l+和l-，具体形式如下： 其中，代表分类器输出经过sigmoid函数σ后的结果；为动态形式的γ参数，其接受来自步骤S5得到的权重根据类别i为正类别或者负类别，将的值域分别控制在0.5,1和3,5之间； S7,损失计算，以第k个样本xk为例，其损失函数如下： 其中，共有C个类别；yk代表样本xk的标签信息；为第k个样本对于i个类别的权重；l+和l-分别代表i为正类别和负类别的动态focal损失；最终的损失形式为所有样本的损失之和： S8,根据步骤S7得到的最终损失对网络做反向传播，更新模型参数，循环E个epoch，形成最优模型； S9，将数据输入经过步骤S8更新循环后获得的最优模型，实现多标签图像分类。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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”。