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！

龙图腾网获悉安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)申请的专利一种特征解纠缠的无监督领域自适应图像分类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：CN116912575B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202310866261.0，技术领域涉及：G06V10/764；该发明授权一种特征解纠缠的无监督领域自适应图像分类方法是由王姗姗;杨勋;胡敏彬;张兴义;许柯;刘淳设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本一种特征解纠缠的无监督领域自适应图像分类方法在说明书摘要公布了：本发明公开了一种特征解纠缠的无监督领域自适应图像分类方法，包括：1.对源域目标域图像预处理；2.构建基于特征解耦的领域自适应模型；3.将处理好的图像作为输入，以无监督的方式训练构建好的网络模型并利用训练好的网络模型进项跨域图像分类。本发明通过将语义相关特征与不同的领域相关特征相结合，可以在不改变其内在类别信息的情况下将特征转移到其他领域，从而完成图像高效高准确率的分类。

本发明授权一种特征解纠缠的无监督领域自适应图像分类方法在权利要求书中公布了：1.一种特征解纠缠的无监督领域自适应图像分类方法，其特征在于，包括如下步骤： 步骤1：获取领域自适应图像数据集，并在其中选取两个不同的域，分别设置为源域S和目标域T，其中，S表示带有标签的源域图像集合，T表示无标签的目标域图像集合，令xs表示源域图像集合S中任意一个源域图像样本，ys表示xs的标签，ys∈{1,2,3…C}，C表示标签的种类，令xt表示目标域图像集合中T任意一个目标域图像样本； 步骤2：构建基于特征解耦的深度网络模型，包括：主干网络Ψ·，Coord注意力模块A、降维模块、重构模块、域判别器D，以及两个不同的分类器h1、h2； 步骤2.1：所述主干网络Ψ·是基于ResNet-50，并包括由一个卷积层、批量归一化层、RELU激活函数和一个最大池化层组成的第0层网络；以及分别拥有M、N、P、Q个bottleneck层组成的四层网络结构；每个bottleneck层由3个卷积层组成，且每个卷积层后接入一个批量归一化层和RELU激活函数； 将xs和xt分别输入主干网络Ψ·中进行特征提取，相应得到源域特征fs＝Ψxs和目标域特征ft＝Ψxt； 步骤2.2：所述Coord注意力模块A依次由两个平均池化层、卷积层、批量归一化层、非线性层、两个卷积层和sigmoid函数组成； 源域特征fs输入所述Coord注意力模块A中，并利用式1进行特征分解，得到源域的语义特征和源域的领域相关特征 目标域特征ft输入所述Coord注意力模块A中，并利用式2进行特征分解，得到目标域的语义特征和目标域的领域相关特征 步骤2.3：所述降维模块包括全局平均池化层和投影操作层，其中投影操作层由全连接层、批量归一化层和ReLU激活函数组成； 所述源域的语义特征和源域的领域相关特征输入所述降维模块中进行处理后，得到降维后的源域的语义特征和源域的领域相关特征 所述目标域的语义特征和目标域的领域相关特征输入所述降维模块中进行处理后，得到降维后的目标域的语义特征和目标域的领域相关特征 步骤2.4：所述重构模块利用式3对降维模块的输出进行重构，从而得到源域的重构特征和目标域的重构特征 步骤2.5：所述域判别器D由全连接层组成，并分别对源域的重构特征和目标域的重构特征进行域判别，预测出xs所属的领域和xt所属的领域，即域标签； 步骤2.6：将源域特征fs和源域的语义特征分别送入分类器h1和h2中进行分类，相应得到源域特征fs的预测标签y's和语义特征的预测标签y”s； 步骤3：建立总体损失函数L，并使用SGD优化器以及逐渐增大的学习率lr动态优化深度网络模型，得到训练好的深度网络模型并应用于目标域的图像分类。

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安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。