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！

龙图腾网获悉中国人民解放军陆军工程大学申请的专利基于聚类的无监督细粒度图像分类模型训练方法及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：CN114120063B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202111433255.3，技术领域涉及：G06V10/774；该发明授权基于聚类的无监督细粒度图像分类模型训练方法及分类方法是由王家宝;李阳;苗壮;张睿设计研发完成，并于2021-11-29向国家知识产权局提交的专利申请。

本基于聚类的无监督细粒度图像分类模型训练方法及分类方法在说明书摘要公布了：本发明公开了一种基于聚类的无监督细粒度图像分类模型训练方法及分类方法，训练方法包括：获取细粒度图像数据；提取细粒度图像的特征并进行归一化处理；利用预定的聚类方法对归一化特征进行聚类，根据聚类结果对相应图像数据赋值伪标签；利用所述带伪标签的图像数据对细粒度图像分类模型进行训练，采用批量随机梯度下降算法更新模型中参数，并动量更新各聚类的特征中心；重复聚类和训练过程，得到训练完成的无监督细粒度图像分类模型。本发明能够解决现有无监督学习方法应用至细粒度图像分类任务时存在的学习退化不收敛问题，填补无监督细粒度图像分类没有可用方法的空白。

本发明授权基于聚类的无监督细粒度图像分类模型训练方法及分类方法在权利要求书中公布了：1.一种基于聚类的无监督细粒度图像分类模型训练方法，其特征在于，包括： 获取细粒度图像数据； 利用预先训练或训练过程中的细粒度图像分类模型，提取细粒度图像的特征并进行归一化处理，得到归一化特征； 利用预定的聚类方法对所述归一化特征进行聚类，根据聚类结果对相应图像数据赋值伪标签，构建带伪标签的图像数据； 利用所述带伪标签的图像数据对细粒度图像分类模型进行训练，采用批量随机梯度下降算法更新模型中参数，并动量更新各聚类的特征中心；其中，所述细粒度图像分类模型采用InfoNCE损失函数指导学习，其目标损失为：3， 式3中，为第q个样本的归一化特征，表示第q个样本特征所属类的特征中心，表示第k个类的特征中心，t表示温度超参数，表示归一化特征到类特征中心的距离，采用欧式距离度量；当与其类特征中心越近，与其他类特征中心越远时，损失越小； 其中，各聚类的特征中心由同一带伪标签的图像数据所对应的归一化特征计算加权均值得到； 所述各聚类的特征中心，通过下式得到：1， 式1中，为第k类的特征中心，为第k类中样本的数量，为第k类的第i个样本的归一化特征，为对应的加权权重，通过下式得到：2， 式2中，为第k类所有样本特征的集合，表示指数函数，距离度量采用以下三种计算方式中任一种进行计算得到： 1不考虑距离约束，取； 2通过最小距离计算：，表示计算特征到该类其他所有样本特征的最小距离； 3通过平均距离计算：，表示计算特征到该类其他所有样本特征的平均距离； 在单次外循环之内，通过InfoNCE损失函数对细粒度图像分类模型的所有参数进行更新，同时动量更新每类特征中心；在两次外循环之间，每类特征中心重新构建，并执行单次外循环的更新策略； 所述采用批量随机梯度下降算法更新模型中参数，选用Adam优化器进行参数更新，并动量更新各聚类的特征中心，类特征中心采用该类所有采样样本的均值进行动量更新，表示如下：4， 式4中，为第k类的样本索引集合，表示属于集合的样本特征，m表示更新动量，为第k类的类特征中心； 重复聚类和训练过程，当聚类结果多次不变或达到预设最大执行次数时退出，得到训练完成的无监督细粒度图像分类模型，以及细粒度图像的伪标签。

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中国人民解放军陆军工程大学，其通讯地址为：210014 江苏省南京市秦淮区后标营路88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。