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！

龙图腾网获悉浙江工业大学申请的专利一种基于聚类空间去相关性的无监督图像表示学习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：CN116129160B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202211614044.4，技术领域涉及：G06V10/762；该发明授权一种基于聚类空间去相关性的无监督图像表示学习方法是由梅建萍;王世翔设计研发完成，并于2022-12-15向国家知识产权局提交的专利申请。

本一种基于聚类空间去相关性的无监督图像表示学习方法在说明书摘要公布了：本发明涉及一种基于聚类空间去相关性的无监督图像表示学习方法，对输入的一个批次图像进行两次随机增强得到两个批次数据输入孪生网络；基于输出与簇中心计算输入到每个簇的相似度；基于聚类空间特征得到一个批次内的输入之间的互相关矩阵，计算单位化损失；将聚类空间特征归一化获得输入到每个簇的隶属度，将其中一个图像的隶属度作为另一个相关图像的目标分布，计算模型对输入的预测及其目标分布之间的对齐损失；单位化损失与对齐损失相加作为用于模型训练的总损失；对单位化损失的最小化实现簇级别的一致性和去相关性，互为目标损失实现样本级别对输入扰动的一致性，最终实现在无负样例对的条件下进行有效的无监督图像表示学习。

本发明授权一种基于聚类空间去相关性的无监督图像表示学习方法在权利要求书中公布了：1.一种基于聚类空间去相关性的无监督图像表示学习方法，其特征在于：所述方法包括以下步骤： 步骤1：随机取两种不同的数据增强方法，对当前输入的一个批次的Bn张图像进行两种不同的增强，得到两组增强后的图像和 步骤2：基于孪生网络模型结构，将Xa和Xb输入编码器，获得对应的特征表示和 步骤3：基于K个簇中心，将每个映射到聚类空间以获得K维聚类空间的特征表示采用softmax对归一化获得隶属度分布其中，m＝{a,b}，i＝{1,…Bn}为对应输入图像的序号； 步骤4：基于当前批次在聚类空间的特征计算互相关矩阵C，用于度量聚类空间各个特征之间的相关性； 步骤5：根据孪生网络模型以及簇中心获得来自同一个原始图像的两个增强后的图像的隶属度分布，以其中一个图像的隶属度分布作为另一个图像的目标分布来计算预测与目标之间的对齐损失； 步骤6：构建单位化损失来衡量互相关矩阵C与单位矩阵I之间的对齐程度以控制聚类空间中变量之间的冗余性； 步骤7：将相互目标损失和单位化损失相加作为总损失，通过最小化总损失来训练网络参数，完成无监督图像表示学习。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。