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分支网络架构的增量学习的图像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：CN119942234B 。

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：202510204110.8，技术领域涉及：G06V10/764；该发明授权一种基于多分支网络架构的增量学习的图像分类方法是由赵磊;纪建;马海恩;刘丽泽;王源;徐成为设计研发完成，并于2025-02-24向国家知识产权局提交的专利申请。

本一种基于多分支网络架构的增量学习的图像分类方法在说明书摘要公布了：一种基于多分支网络架构的增量学习方法，包括以下步骤；步骤1：对于每一个新的任务Ti，计算任务与已学习过的旧任务的相似度，并进行排序；步骤2：对于排序后的最高相似度的值与设置的相似度阈值进行比较，如果小于该阈值则扩展新的网络模型进行学习，否则使用最相似的网络模型进行学习和更新；步骤3：对于每一个网络模型内部引入一个辅助网络，辅助网络用于学习网络模型内部不相似的任务，网络模型使用知识蒸馏的方式学习相似的任务，学习后，辅助网络融入网络模型，得到的扩展后的最终模型；步骤4：使用扩展后的最终模型对测试样本进行预测，计算最终的分类精度。本发明不仅减少由于学习新类而导致的旧类遗忘，而且也控制了参数量的规模。

本发明授权一种基于多分支网络架构的增量学习的图像分类方法在权利要求书中公布了：1.一种基于多分支网络架构的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：对于每一个新的图像分类任务Ti，计算所述任务与已学习过的旧图像分类的相似度，并进行排序； 步骤2：将相似度最高值与设置的相似度阈值进行比较，如果小于该阈值则扩展新的网络模型进行学习，否则使用最相似的网络模型进行学习和更新； 步骤3：在步骤2中的每一个网络模型内部引入一个辅助网络，所述辅助网络用于学习网络模型内部不相似的任务，网络模型的主干网络使用知识蒸馏的方式学习相似的任务，学习后，辅助网络融入主干网络，得到的扩展后的最终模型，控制参数规模； 步骤4：使用扩展后的最终模型对测试样本进行预测，计算最终的分类精度； 所述的步骤1任务相似度计算的具体过程为： 步骤1.1：对于T个类增量图像分类任务{D1,D2,…,DT}，是第t个类增量图像分类任务，包括有Nt个样本图像，是第t个类增量图像分类任务的第i个样本，是对应的第t个类增量图像分类任务的第i个样本的标签值，设定图像分类任务Ti的类别集合为Ci，对于每个类别c∈Ci，维护一个原型特征其定义为属于类别c的图像样本特征的均值： 其中，wi表示样本Xi的权重，用于根据类别平衡或样本置信度来定义； 步骤1.2：基于核函数的方法计算样本图像与原型特征之间的非线性距离： 其中，k·,·是核函数，定义为： 此外，新样本图像Xl到先前图像分类任务所有类别原型特征的最小距离定义为： 其中，Cj是任务Tj的类别集合，是任务Tj中类别c的原型特征； 步骤1.3：计算Wasserstein距离，图像分类任务Ti和Tj的分布之间的不相似性通过Wasserstein距离来度量，定义为： 其中，Πqi,qj表示任务分布之间的联合分布； 采用Sinkhorn近似来对Wasserstein距离进行估计： 步骤1.4：设计动态映射函数，将Wasserstein距离映射到区间[0,1]，公式如下： si,g＝1-exp-α·Wεqi,qj 其中，新图像分类任务Ti与旧图像分类任务组g之间的相似性度量，取值范围在[0,1]，α是通过实验调整的缩放系数。

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。