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！

龙图腾网获悉闽江学院申请的专利基于不确定性选择和对比学习的半监督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：CN118736297B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202410813188.5，技术领域涉及：G06V10/764；该发明授权基于不确定性选择和对比学习的半监督图像分类方法是由曾坤;李佐勇;刘海雄;刘伟霞;吴嘉炜设计研发完成，并于2024-06-21向国家知识产权局提交的专利申请。

本基于不确定性选择和对比学习的半监督图像分类方法在说明书摘要公布了：本发明涉及一种基于不确定性选择和对比学习的半监督图像分类方法，属于图像处理技术领域。首先，本发明通过衡量模型的不确定性来选择那些置信度高的无标注数据以供模型训练，减少因缺少标注信息带来的伪标签噪声使得模型精度不高的问题；其次，通过对比学习，来拉近正样本距离，推远负样本，以此来获取更好的表征信息；最后，为每个类别维持一个特征原型，通过计算无标注数据表征和特征原型的距离来分配更加正确的伪标签，同时通过对比学习获取的良好表征再通过不确定性选择后，用来更新特征原型，以此形成良性循环。在两个公开数据集上的实验结果表明，本发明算法具有良好的分类性能。

本发明授权基于不确定性选择和对比学习的半监督图像分类方法在权利要求书中公布了：1.一种基于不确定性选择和对比学习的半监督图像分类方法，其特征在于，包括： 通过衡量模型的不确定性选择置信度高的无标注数据以供模型训练； 通过对比学习，拉近正样本距离，推远负样本，获取无标注数据表征； 为每个类别维持一个特征原型，通过计算无标注数据表征和特征原型的距离来分配伪标签； 所述衡量模型的不确定性是通过预测熵来近似量化模型的不确定性； 所述通过预测熵来近似量化模型的不确定性的具体公式如下： 其中，为样本i在第t次计算中的预测概率，γi为估计的分类不确定性，T表示样本在模型中计算的次数； 所述对比学习具体实现如下： 对于给定的无标注数据，通过应用随机增强生成两个图像，随后，通过教师网络获得这一对图像的映射q和k，将分类器预测相同视为正样本，分类器预测不同则为负样本，其计算如下： 其中Px表示正样本对，Ax表示存储队列中的特征表示，k+为正样本，k'为负样本，qT为映射q的倒置，σ为超参数，exp表示e为底的指数函数； 还包括将无标注数据表征通过不确定性选择后，更新特征原型，即使用通过不确定性选择的无标注数据表征通过EMA方式来更新特征原型： 其中，μc是类别c对应的特征原型，是通过不确定性选择的类别为c的弱增强样本xw的可靠特征，Normalize表示归一化操作，l表示进行筛选操作，β是决定更新频率的可调超参数，τ为不确定性筛选的阈值，其计算公式如下： 其中i是当前训练步长，I为训练总步长； 所述伪标签分配的具体方式为： 通过计算特征原型与预测特征之间的相似度来获取伪标签： 其中Softmax为激活函数，特征原型对应每个类别c∈{1,2,...,C}，在分类器和特征原型的预测中，选择置信度较高的作为最终的伪标签： 其中scorecls＝maxpcls,scorepro＝maxppro表示置信度得分，pcls,ppro表示预测概率，argmax函数返回数据中最大值的下标，max函数返回数据中的最大值；由此一致性正则化损失的计算如下： 其中H表示交叉熵损失，B表示样本批次大小，b表示当前批次。

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闽江学院，其通讯地址为：350108 福建省福州市闽侯县上街镇溪源宫路200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。