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！

龙图腾网获悉安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)申请的专利基于原型网络对比学习的无监督领域自适应图像识别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：CN116883751B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310880867.X，技术领域涉及：G06V10/764；该发明授权基于原型网络对比学习的无监督领域自适应图像识别方法是由王姗姗;周浩;杨勋;张兴义;项小书;张盼盼设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本基于原型网络对比学习的无监督领域自适应图像识别方法在说明书摘要公布了：本发明公开了一种基于原型网络对比学习的无监督领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于原型网络的对比学习领域自适应网络模型；3、使用领域偏置原型建模策略和原型级别对比学习策略训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索领域间图像特征的语义结构来构建领域偏置原型，然后自适应的对齐原型以减少领域间差异，从而能实现目标域图像类别的精准识别。

本发明授权基于原型网络对比学习的无监督领域自适应图像识别方法在权利要求书中公布了：1.一种基于原型网络对比学习的无监督领域自适应图像识别方法，其特征在于，包括下列步骤： 步骤1：定义领域自适应图像数据集为D＝{Ds，Dt}，Ds表示含有类别标签的源域图像集，Dt表示不含类别标签的目标域图像集，其中，令xs表示源域图像集中任意一张有标签的源域图像，令ys表示xs的类别标签，ys∈{1,2，...，c}；c表示类别总数；xs，ys∈Ds，令ns表示源域图像的总数；令xt表示无标签的目标域图像，xt∈Dt，令nt表示目标域图像的总数；且源域和目标域所属标签空间相同； 步骤2：构建基于原型的对比学习领域自适应网络模型，用于对目标域图像xt进行图像分类； 所述对比学习领域自适应网络模型包括：特征提取网络E，特定于任务的分类器C，图卷积亲和矩阵生成网络GA，图卷积节点聚合网络GN和图卷积分类器Gc； 所述对比学习领域自适应网络模型中的卷积层和全连接层均采用xavier初始化进行参数初始化； 步骤3：基于原型网络的对比学习领域自适应网络模型的训练策略包括：领域偏置原型建模策略和原型级别对比学习策略； 步骤3.1：领域偏置原型建模策略： 步骤3.1.1：所述源域图像xs和目标域图像xt输入所述特征提取网络E中进行处理，并相应得到源域特征fs和目标域特征ft； 将所述源域特征fs输入所述特定于任务的分类器C中进行处理，并得到源域图像xs的输出类别概率预测分布py′s|CExs；其中，y′s表示xs的预测类别标签； 利用式1建立所述特定于任务的分类器C的交叉熵损失函数Lce： 将所述目标域特征ft输入所述特定于任务的分类器C中进行处理，并得到目标域图像xt在第k类别上的归一化概率输出则目标域数据集Dt在第k类别上的平均归一化概率输出 利用式2建立目标域互信息损失LMI： 步骤3.1.2：从数据集D＝{Ds，Dt}中取一批数据B＝Bs，Bt，其中，Bs表示含有类别标签的一批源域图像，Bt表示不含类别标签的一批目标域图像； 构建B中所有图像的全连接图结构G＝V，A，其中，V表示节点集合，A表示亲和矩阵； 将目标域特征或源域特征作为V中任意一个节点的初始特征； 将第i个节点vi和第j个节点vj之间的节点对vi，vj输入所述图卷积亲和矩阵生成网络GA中进行处理，并得到节点对vi，vj之间的相似度得分并作为未归一化的亲和矩阵和第i行第j列的元素，其中，σ·为激活函数； 对进行归一化后，得到归一化后的相似度得分ai，j并作为A中第i行第j列的元素，从而得到归一化后的亲和矩阵D为的度矩阵，I是单位矩阵； 步骤3.1.3：基于标签信息，利用式3获得真实矩阵T中i行第j列的元素ti，j： 式3中，yi和yj为第i个节点vi和第j个节点vj所属图像的类别标签；其中，若第i个节点vi或第j个节点vj所属图像为Bs中的源域图像则yi或yj为源域图像真实的类别标签若第i个节点vi或第j个节点vj所属图像为Bt中的目标域图像则yi或yj为目标域图像输入自所述特定于任务的分类器C后，得到的伪标签表示所述特定于任务的分类器C预测目标域图像为第k类别的概率； 设置概率阈值τ，若则删除与所对应的目标域图像所属节点相连的边，使得亲和矩阵A中与所组合的节点对的相似度得分置零； 利用式4建立所述图卷积节点聚合网络GA的二元交叉熵损失Lbce： 步骤3.1.4：将V中所有节点输入所述图卷积节点聚合网络GN中，并使用式5对j中的节点特征进行更新： 式5中，fi表示第i个节点vi的初始特征，fj表示第j个节点vj的初始特征，表示第i个节点vi的聚合特征； 利用式6建立所述图卷积分类器Gc的交叉熵损失函数 式6中，表示源域图像所属节点的聚合特征； 步骤3.1.5：利用式7和式8分别计算第k类别的源域偏置原型和目标域偏置原型 式7和式8中，和分别表示Bs和Bt中类别为k的所有图像集合，表示目标域图像所属节点的聚合特征； 步骤3.1.6：利用式9和式10所示的采用指数平均移动策略来更新第k类别的全局偏置原型： 式9和式10中，←表示赋值，ρ表示平衡参数，和分别表示第I-1次迭代的第k类别的源域全局偏置原型和目标域全局偏置原型；和分别表示第I次迭代的第k类别的源域偏置原型和目标域偏置原型，当I＝1时，令 步骤3.2：利用式12构建原型级别对比学习策略的损失函数LproNCE： 式12中，u表示类别标签为k的偏置原型，u+为u的唯一正样本，表示另一领域中与u类别均为k的唯一偏置原型，u-为负样本，表示两个领域中其他类别的一个偏置原型；N为所有偏置原型的集合，N-表示相对u的所有负样本的集合，w·，·为权重函数；φ·，·为距离度量函数； 步骤4：模型训练： 步骤4.1：利用式13构建整体损失函数Loverall： 式13中，λ1，λ2和λ3是三个权重参数，γ是随着迭代次数而增加的自适应参数； 步骤4.2：定义所述特征提取网络E参数为θe，特定于任务的分类器C参数为θc，图卷积亲矩阵生成网络GA，图卷积节点聚合网络GN和图卷积分类器Gc参数为θg，从而利用式14构建参数更新策略： 式14中，η表示学习率； 步骤4.3：基于领域自适应图像数据集为D＝{Ds，Dt}，使用随机梯度下降的方式对所述对比学习领域自适应网络模型进行训练，并利用式14更新模型参数，直到整体损失函数Loverall收敛为止，从而得到最优对比学习领域自适应网络模型，用于实现对目标域图像的分类。

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安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。