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！

龙图腾网获悉浙江工业大学申请的专利一种基于文本正则化的领域泛化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：CN116628555B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202310648049.7，技术领域涉及：G06F18/24；该发明授权一种基于文本正则化的领域泛化方法是由胡海根;张辉煌;陈琦;许慧;周乾伟;管秋设计研发完成，并于2023-06-02向国家知识产权局提交的专利申请。

本一种基于文本正则化的领域泛化方法在说明书摘要公布了：本发明公开了一种基于文本正则化的领域泛化方法，包括：建立DG分类模型，包括文本编码器、特征提取器和分类器，特征提取器包括依次连接的图像编码器和投影头，投影头用于维度对齐且与分类器连接，文本编码器采用CLIP模型的文本编码器，并定义总损失函数和目标函数；采用第一训练集训练DG分类模型的特征提取器，并基于不平衡学习策略将特征提取器的学习率与分类器的学习率的比值调整为预设比例，将第一训练集的类别单词经文本编码器生成的文本向量作为训练过程中额外的监督信号，获得训练好的DG分类模型；将待识别图片输入训练好的DG分类模型，获得对应分类结果。该方法可增强DG分类模型的泛化性并抑制协变量偏移问题。

本发明授权一种基于文本正则化的领域泛化方法在权利要求书中公布了：1.一种基于文本正则化的领域泛化方法，其特征在于：所述基于文本正则化的领域泛化方法包括如下步骤： S1、建立DG分类模型，所述DG分类模型包括文本编码器、特征提取器和分类器，所述特征提取器包括依次连接的图像编码器和投影头，所述投影头用于将特征提取器生成的特征向量和文本编码器生成的文本向量进行维度对齐，所述投影头的输出端与分类器连接，所述文本编码器采用CLIP模型的文本编码器； 所述DG分类模型的总损失函数公式如下： ； 目标函数定义如下： ； 式中，表示总体期望值，x表示输入样本，y表示输入标签，表示超参数，表示特征提取器，表示分类器，表示第一损失函数，表示第二损失函数，即正则化项，表示总损失函数； 其中，第一损失函数公式如下： ； 第二损失函数公式如下： ； 式中，z为输入样本x经过特征提取器后生成的特征向量，为分类器的第i个类别基底，为输入样本x实际所属的类别基底，C为类别总数，为文本编码器的第i个类别单词经文本编码器后生成的文本向量，表示输入样本x实际所属类别单词的文本向量，为余弦相似度； S2、采用第一训练集训练所述DG分类模型的特征提取器，并基于不平衡学习策略将特征提取器的学习率与分类器的学习率的比值调整为预设比例，将第一训练集的类别单词经所述文本编码器生成的文本向量作为训练过程中额外的监督信号，获得训练好的DG分类模型； S3、将待识别图片输入训练好的DG分类模型，获得对应分类结果； 所述DG分类模型建立前，还进行CLIP模型的泛化性来源分析，过程如下： 获取ImageNet预训练模型和预训练好的CLIP模型的图像编码器，所述CLIP模型的图像编码器比ImageNet预训练模型采用的训练样本多； 基于ERM监督方法，比较ImageNet预训练模型和预训练好的CLIP模型的图像编码器分别经第一训练集微调训练后的分类结果； 基于文本监督方法，比较ImageNet预训练模型和预训练好的CLIP模型的图像编码器分别经第一训练集微调训练后的分类结果； 根据第一训练集微调训练后的各模型的分类结果的相似度矩阵图比较可鉴别性； 采用第二训练集分别对ImageNet预训练模型和预训练好的CLIP模型的图像编码器进行微调训练，并根据第二训练集微调训练后的各模型的分类结果比较数据分布偏向，所述第二训练集的类别总数和领域总数均大于第一训练集； 根据比较结果确定泛化性来源和最优预训练模型，并将泛化性来源引入DG分类模型形成训练过程中额外的监督信号，将最优预训练模型作为DG分类模型的图像编码器。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18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。