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！

龙图腾网获悉南京航空航天大学;江苏省产品质量监督检验研究院申请的专利一种带有分布内和分布外噪声标签的长尾学习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：CN119580004B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411752043.5，技术领域涉及：G06V10/764；该发明授权一种带有分布内和分布外噪声标签的长尾学习图像分类方法是由李绍园;郑金鹏;陈松灿;姚强;朱晓林设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种带有分布内和分布外噪声标签的长尾学习图像分类方法在说明书摘要公布了：本发明属于图像分类方法，具体公开了一种带有分布内和分布外噪声标签的长尾学习图像分类方法。该方法采用开放世界中带有分布内和分布外噪声标签的长尾学习框架，搭建深度学习模型，用于解决在长尾数据上同时处理ID和OOD噪声样本的挑战性学习问题。具体而言，本发明首先利用模型一致性预测来过滤OOD噪声样本并分配均匀标签，增强了模型对OOD噪声样本的检测能力；同时使用JS散度来分离ID噪声样本，并减少了分布内干净样本的误分类，特别是在尾部类别中；此外，还引入额外的语义分类器来减轻伪标签对多数类别的偏置；最后引入了强增强的一致性正则化，以进一步提高模型的泛化性能和鲁棒性，增强模型在多偏置数据集上的分类性能。

本发明授权一种带有分布内和分布外噪声标签的长尾学习图像分类方法在权利要求书中公布了：1.一种带有分布内和分布外噪声标签的长尾学习图像分类方法，其特征在于， 包括如下步骤： 步骤1.获取真实世界场景下带有分布内和分布外噪声的训练数据集； 其中，表示由图像即样本与对应标签组成的训练数据集，为数据集样本总数，，表示数据集预设标签； ，表示数据集类别总数，预设标签中存在噪声标签； 步骤2.搭建深度学习模型和； 其中和分别表示深度学习模型的表征提取器与分类器，和分别表示深度学习模型的表征提取器与分类器，的模型参数表示为，的模型参数表示为； 构建数据集中每个类别的表征存储队列，表示类别为时的表征存储队列；确定训练最大轮次以及模型参数热身初始化最大轮次，初始化当前轮次=1； 步骤3.对进行标签平滑，得到平滑标签；判断当前轮次是否小于或等于；若当前轮次小于或等于，则转到步骤4；否则，若当前轮次大于，则转到步骤5； 步骤4.使用中的所有样本及对应平滑标签计算交叉熵损失，并转到步骤11； 步骤5.计算当前轮次用于筛选分布内干净样本的阈值； 步骤6.使用深度学习模型和分别预测的标签，根据标签的一致性筛选出训练数据集中的分布外噪声样本，训练数据集中的剩余样本作为分布内样本，将分布外噪声样本对应平滑标签上的每一个分量设置为，并独立计算分布外样本损失； 步骤7.使用Jensen-Shannon散度计算分布内样本的预测概率分布与对应的平滑标签的似然度，得到每个分布内样本为非噪声标签即分布内干净样本的概率，将概率大于阈值的分布内样本作为分布内干净样本，其他分布内样本作为分布内噪声样本； 步骤8.提取分布内干净样本的表征，根据数据集预设标签，将提取的分布内干净样本的表征添加到对应表征存储队列中；如果表征存储队列的元素数量达到上限，则移除最早加入表征存储队列的元素后再添加； 步骤9.通过表征存储队列为每个类别构建类原型，对于分布内噪声样本，选取分布内高置信度噪声样本；使用语义分类器，即通过对比分布内高置信度噪声样本表征与每个类原型的余弦相似度，得到语义伪标签，通过对分布内高置信度噪声样本的预测得到线性伪标签；将语义伪标签与线性伪标签按权重相加，得到分布内噪声样本伪标签； 步骤10.计算分布内干净样本和分布内高置信度噪声样本的交叉熵损失，计算一致性正则项，得到最后损失；和表示损失项权重； 步骤11.通过最小化损失，更新模型参数，通过更新后的更新； 步骤12.更新当前轮次的值为； 判断当前轮次是否小于或等于最大轮次；若是，则转到步骤3；否则，训练结束； 步骤13.利用训练好的深度学习模型对输入图像进行分类预测。

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南京航空航天大学;江苏省产品质量监督检验研究院，其通讯地址为：210016 江苏省南京市江宁区将军大道29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”。