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！

龙图腾网获悉北京联合大学申请的专利一种基于多实例学习和标签关系图的多标签视频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：CN116561371B 。

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：202210092357.1，技术领域涉及：G06F16/75；该发明授权一种基于多实例学习和标签关系图的多标签视频分类方法是由徐成;吴宏俊;刘宏哲;徐冰心;潘卫国;代松银设计研发完成，并于2022-01-26向国家知识产权局提交的专利申请。

本一种基于多实例学习和标签关系图的多标签视频分类方法在说明书摘要公布了：本申请涉及一种基于多实例学习和标签关系图的多标签视频分类方法，包括以下步骤：获取待分类视频的每一帧特征；将所述视频的每一帧特征视为一个实例，将所有的帧特征合并为包级特征对视频进行表示；将视频的所述包级特征映射为每个视频分类标签的内容感知类别表示；学习所述视频分类标签的关系，构建标签关系图，并采用标签关系卷积神经网络从相应的内容感知类别表示中增强当前视频特征，获得每一个分类标签的概率得分；将所述的每一个分类标签的概率得分和设定阈值进行比对，确定所述待分类视频最终的标签。本申请可以根据当前对象动态学习，从而可以纠正多标签视频预测中的频率偏差，使得视频最终的分类标签更加准确。

本发明授权一种基于多实例学习和标签关系图的多标签视频分类方法在权利要求书中公布了：1.一种基于多实例学习和标签关系图的多标签视频分类方法，其特征在于，包括以下步骤： 获取待分类视频的每一帧特征； 将所述视频的每一帧特征视为一个实例，将所有的帧特征合并为包级特征对视频进行表示； 将视频的所述包级特征映射为每个视频分类标签的内容感知类别表示； 学习所述视频分类标签的关系，构建标签关系图，并采用标签关系卷积神经网络从相应的内容感知类别表示中增强当前视频特征，获得每一个分类标签的概率得分； 将所述的每一个分类标签的概率得分和设定阈值进行比对，确定所述待分类视频最终的标签； 其中，采用基于标签注意转换器的特征映射机制LAT将视频的所述包级特征映射为视频分类标签的内容感知类别表示，具体包括以下步骤： 将视频的所述包级特征转化为类特定的标签向量和包级特征向量其中，H、W、D指特征的三个维度，分别指代特征的长、宽和通道数，C为类别总数，lC是L中的第C个向量，D′≤D； 根据所述的类特定的标签向量和特征向量，得到内容感知类别表示其中，每个类别表示xc的计算方式如下： 式中，和v′i，j分别为类别c的特定标签向量L和视频特征向量V′i，j的权重； 所述的学习所述视频分类标签的关系，构建标签关系图，并采用标签关系卷积神经网络从相应的内容感知类别表示中增强当前视频特征，具体包括： 将待分类视频的多个视频分类标签的内容感知类别表示进行卷积处理，得到邻接矩阵及对应的邻接矩阵的图结构； 根据所述邻接矩阵的图结构，在每个通道上获取不同标签之间的关系，得到新的图结构； 将所述新的图结构与所述邻接矩阵的图结构进行求和处理，通过残差连接得到残差图结构，即最终的类表示向量； 其中，所述的将待分类视频的多个视频分类标签的内容感知类别表示进行卷积处理，得到邻接矩阵，具体包括： 将所述的待分类视频的多个视频分类标签的内容感知类别表示作为输入节点，构造用于反映每个节点特征之间关系的相关矩阵A，和用于更新X的权重矩阵Wx， 将节点用单个图卷积网络层表示为如下公式，从而得到邻接矩阵： Xu＝δAXWx， 其中，线性变换权重矩阵Wx在训练中获得；δ·为非线性激活函数； 所述的新的图结构，即： 其中，eji表示在图中第i和第j个节点间有边连接；ε为边的集合，D是通道数，rji表示ij处的节点，ht表示基函数，kt表示系数，C表示类别总数，n表示一元函数f·通过傅里叶变换转换为由一组基函数{h1h2，...，hn}和一组系数{k1，k2，...，kn}表示时，基函数和对应系数的数量。

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北京联合大学，其通讯地址为：100020 北京市朝阳区北四环东路97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。