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！

龙图腾网获悉广州大学申请的专利一种基于双网络协同训练模式的两阶段带噪声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：CN119445196B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202411359942.9，技术领域涉及：G06V10/764；该发明授权一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法及系统是由杨钊;王枫;陈志勇;窦雅梅设计研发完成，并于2024-09-27向国家知识产权局提交的专利申请。

本一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法及系统在说明书摘要公布了：本发明涉及深度学习技术，为一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法及系统，划分数据集为多批次输入样本，创建两个相同网络对输入样本进行特征提取得到输出p1和p2，结合样本标签计算一阶段总损失；保留一阶段总损失值小于阈值的样本损失，取均值以反向传播更新网络参数；对输入样本处理的记录作为样本历史信息保留；统计样本历史信息得到判别矩阵Y和权值矩阵W；用矩阵Y作为指示信号计算二阶段总损失；保留二阶段总损失值小于阈值的样本损失，用矩阵W进行重加权处理后求均值以反向传播更新网络参数；直至训练结束得到图像分类模型对图像进行分类。本发明通过挑选干净实例训练网络来对抗噪声标签的干扰，可准确过滤噪声。

本发明授权一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法及系统在权利要求书中公布了：1.一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法，其特征在于，包括以下步骤： S1、将数据集划分为多个批次输入样本，其中每个输入样本都对应一个用于标识图像类别信息的样本标签；创建两个相同结构的特征提取网络，并初始化网络参数；将每个批次输入样本同时传入两个特征提取网络中进行训练，输入样本经过特征提取之后得到两个特征提取网络的输出p1和p2； S2、对两个特征提取网络的输出p1和p2，结合样本标签计算输入样本的一阶段总损失； S3、对输入样本的一阶段总损失值从小到大进行排序，保留一阶段总损失值小于阈值的输入样本；将保留的这部分输入样本的一阶段总损失值取均值，用于反向传播更新两个特征提取网络的参数； S4、保存每次对输入样本处理的记录，形成样本历史信息；所述记录包括每次输入样本被保留或被丢弃的标记，以及根据输出p1和p2计算得到的类别标签； S5、对样本历史信息进行统计处理，得到判别矩阵Y和权值矩阵W； S6、使用判别矩阵Y作为指示信号，对输入样本计算二阶段总损失； S7、对输入样本的二阶段总损失值从小到大进行排序，保留二阶段总损失值小于阈值的输入样本； S8、将存储在权值矩阵W中的权重激活，作为样本权重，对步骤S7所保留输入样本的二阶段总损失进行重加权处理，并对加权后的损失求均值，用于反向传播更新两个特征提取网络的参数； S9、训练直到所设置的最大迭代次数，得到最终的两阶段带噪声标签图像分类模型；运用两阶段带噪声标签图像分类模型，对图像进行分类； 步骤S2在计算一阶段总损失时，将两个特征提取网络的输出p1和p2最大概率值的类别是否相同作为指示信号，如果p1和p2最大概率值的类别相同则将输入样本作为干净样本，不同则作为噪声样本；对所有输入样本的输出计算有监督损失，对干净样本计算一阶段无监督聚合损失，对于噪声样本计算一阶段无监督疏离损失，将所有损失加权求和得到一阶段总损失； 步骤S5统计输入样本被保留的次数和被丢弃的次数，并将其转化为概率值；当被保留的概率大于被丢弃的概率时，将输入样本识别为干净样本并标记为1，否则将输入样本识别为噪声样本并标记为0；将所有标记值保存在判别矩阵Y中作为判断输入样本是否为干净样本的指示信号； 步骤S5还统计输入样本的每个类别标签出现的次数，并将其转化为概率值，取概率值中的最大值，将最大值保存在权值矩阵W中作为样本重加权的权重值。

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广州大学，其通讯地址为：510006 广东省广州市番禺区大学城外环西路230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”。

以上内容由龙图腾AI智能生成。