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！

龙图腾网获悉西安电子科技大学申请的专利一种基于多归一化与动态网络的类增量学习的图像分类方法及系统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：CN120147711B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202510212226.6，技术领域涉及：G06V10/764；该发明授权一种基于多归一化与动态网络的类增量学习的图像分类方法及系统是由刘丽泽;纪建;马海恩;王源;赵磊;徐成伟设计研发完成，并于2025-02-25向国家知识产权局提交的专利申请。

本一种基于多归一化与动态网络的类增量学习的图像分类方法及系统在说明书摘要公布了：一种基于多归一化与动态网络的类增量学习的图像分类方法，包括以下步骤；步骤1：搭建新的基础网络；步骤2：基于新的基础网络进行类增量学习初始图像分类任务D1的训练，得到初始化模型，并冻结初始化模型作为类增量学习下一阶段图像分类任务D2的旧模型；步骤3：在处理新的类增量学习图像分类任务时，搭建特征增强模型；步骤4：通过模型蒸馏技术控制特征增强模型的规模，将特征增强模型进行蒸馏得到目标压缩模型；目标压缩模型作为处理下一个类增量任务时的旧模型；步骤5：在测试样本上，使用目标压缩模型进行图像分类精度检测。本发明针对类增量学习领域下的图像分类任务，用于缓解模型灾难性遗忘问题，提升模型下游图像分类任务的准确度。

本发明授权一种基于多归一化与动态网络的类增量学习的图像分类方法及系统在权利要求书中公布了：1.一种基于多归一化与动态网络的类增量学习的图像分类方法，其特征在于，包括以下步骤； 步骤1：在模型骨干网络的基础上引入多归一化模块，搭建新的基础网络Mbase； 步骤2：基于所述新的基础网络进行类增量学习初始图像分类任务D1的训练，得到初始化模型，并冻结初始化模型作为类增量学习下一阶段图像分类任务D2的旧模型； 步骤3：在处理新的类增量学习图像分类任务时，基于所述的新的基础网络为新任务额外训练一个新模型，并通过全连接层联系旧模型和新模型，搭建特征增强模型； 步骤4：通过模型蒸馏技术控制所述特征增强模型的规模，将所述特征增强模型进行蒸馏得到目标压缩模型；所述目标压缩模型作为处理下一个类增量任务时的旧模型； 步骤5：在测试样本上，使用所述的目标压缩模型进行图像分类精度检测； 所述步骤1，模型骨干模型采用Resnet32模型，构建新的多归一化模块并在此基础上搭建基础网络Mbase具体步骤为： 步骤1.1：类增量学习场景设定为在带有新类别的数据流中进行逐步学习，设定有一系列K个图像分类的训练任务{D1,D2,…,DK}，各个任务之间没有重叠类，其中表示第t个增量阶段，该阶段包含nt个样本，同时构建内存大小有限的样本集ε来存储已学类别的代表性样本，将输入到多归一化模块的特征图记为其中B为小批次大小，C为通道数，W为宽度，H为高度，将其沿着通道维度分割成两份，分别得到第一个特征图和第二个特征图 步骤1.2：对第一个特征图p1应用批归一化BN方法，计算其均值和方差，并使用仿射变换得到归一化后的特征图即： 其中，表示均值，表示方差，γBN则为加权的平衡因子； 步骤1.3：对第二个特征图p2应用空间归一化SN方法，根据选择的空间归一化类型，计算相应的均值和方差得到特征图 其中，SN＝{IN,LN}，若SN选用IN，有沿通道维度计以及方差若SN选用LN，有沿着层维度计算的均值以及方差在采用多种空间归一化方法时，引入平衡因子w和w′，令∑k∈{SN}wk＝1且∑k∈{SN}w′k＝1，而βSN则表示空间归一化方法的仿射变换参数，γSN为加权的平衡因子； 步骤1.4：将步骤1.2得到的特征图和步骤1.3中得到的特征图沿通道维度拼接，将拼接后的特征作为输入提供给激活层，搭建起新的基础网络Mbase。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。