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！

龙图腾网获悉重庆邮电大学申请的专利基于类别层次的动态高效网络训练方法、装置、计算机设备及存储介质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：CN116071591B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202310123092.1，技术领域涉及：G06V10/764；该发明授权基于类别层次的动态高效网络训练方法、装置、计算机设备及存储介质是由黄钶洋;米建勋设计研发完成，并于2023-02-16向国家知识产权局提交的专利申请。

本基于类别层次的动态高效网络训练方法、装置、计算机设备及存储介质在说明书摘要公布了：本发明属于深度学习技术领域，具体涉及一种基于类别层次的动态高效网络训练方法、装置、计算机设备及存储介质，所述方法包括：获取样本图像及其类别标签；调用神经网络的第一分类模块，样本图像的聚类结果进行识别，得到样本图像各自的第一预测类别；调用神经网络的第二分类模块，根据第一预测类别与子网络之间的对应关系，基于相应子网络对每张样本图像进行识别，得到样本图像各自的第二预测类别；根据样本图像的第一预测类别、第二预测类别以及类别标签，对神经网络进行更新直到满足预设条件。本发明通过从数据特性出发，利用图像类别关系进一步提升网络性能；针对相似样本图像的部分相似特征进行着重学习，提高了识别准确度及识别速率。

本发明授权基于类别层次的动态高效网络训练方法、装置、计算机设备及存储介质在权利要求书中公布了：1.一种基于类别层次的动态高效网络训练方法，其特征在于，包括： S1：获取n张样本图像以及所述样本图像的类别标签；其中，n为大于0的整数； 所述样本图像的类别标签，包括：第一标签类别、第二标签类别，所述第一标签类别与所述第二标签类别具有包含关系，单个第一标签类别包含一个或多个第二标签类别； S2：对获取的n张样本图像进行图像强化处理，根据样本图像之间的相关性对图像强化后的n张样本图像进行聚类； 根据样本图像之间的相关性对图像强化后的n张样本图像进行聚类，包括：通过对图像特征进行聚类构造一个两层的由粗到细的类别层次结构，得到v个细类别c＝{c1,c2,...,cv}和u个粗类别C＝{C1,C2,...,Cu}，将细类别和粗类别视觉特征相近的聚类划分到同一个聚类簇中，一个聚类簇即为一个粗类，得到m个粗类； S3：调用神经网络的第一分类模块，对所述n张样本图像的聚类结果进行粗识别，得到n张样本图像各自的第一预测类别； 调用神经网络的第一分类模块，对所述n张样本图像的聚类结果进行粗识别，包括： 基于所述聚类结果，分别对m个粗类中各张样本图像进行粗识别，得到所述m个粗类各自对应的粗类别； 针对所述m个粗类，将每个粗类对应的粗类别作为所述每个粗类中的样本图像的第一预测类别，得到所述n张样本图像各自的第一预测类别； S4：针对所述n张样本图像，调用所述神经网络的第二分类模块，通过对第二分类模块的选路掩码，对每张样本图像进行细识别，得到所述n张样本图像各自的第二预测类别； 通过对第二分类模块的选路掩码，对所述每张样本图像进行细识别，包括： 根据第一预测类别与其子网络参数的对应关系进行选路掩码，确定单张样本图像的子网络参数，采用确定出的单张样本图像的子网络参数固定第二分类模块中的共享网络的网络参数，通过固定网络参数后的共享网络对单张样本图像中的对象进行细识别，得到单张样本图像的第二预测类别； 所述选路掩码，包括：权重选择、通道选择、残差块选择； S5：根据n张样本图像各自的第一预测类别与类别标签，计算神经网络的第一损失值，根据n张样本图像各自的第二预测类别与类别标签，计算神经网络的第二损失值，基于第一损失值和第二损失值构建神经网络的损失函数，当损失函数最小时更新神经网络的参数； S6：重复上述步骤直到满足预设条件，将最近一次更新的神经网络作为目标神经网络。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路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”。