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！

龙图腾网获悉之江实验室;重庆大学申请的专利基于数据分布的分层加权抗噪深度度量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：CN114418013B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202210075749.7，技术领域涉及：G06F18/214；该发明授权基于数据分布的分层加权抗噪深度度量学习方法是由冯永;朱依侬;王永恒设计研发完成，并于2022-01-22向国家知识产权局提交的专利申请。

本基于数据分布的分层加权抗噪深度度量学习方法在说明书摘要公布了：本发明涉及互联网大数据技术领域，具体涉及基于数据分布的分层加权抗噪深度度量学习方法，包括：将随机合成的噪声样本加载到训练数据集中；基于数据间的距离关系刻画数据分布，随着训练进程推进数据分布的记录更新；基于数据分布的分布矩阵，去除每个训练batch中的噪声样本；基于数据分布自适应指导采样策略的学习并完成采样；最小化模型的损失函数以更新模型参数，并同步更新数据分布。本发明的深度度量学习方法能够提高模型的训练准确性和训练鲁棒性，从而能够保证模型的训练效果。

本发明授权基于数据分布的分层加权抗噪深度度量学习方法在权利要求书中公布了：1.基于数据分布的分层加权抗噪深度度量学习方法，其特征在于，包括以下步骤： S1：将随机合成的噪声样本加载到训练数据集中； 步骤S1中，具体包括如下步骤： S101：从预训练的神经网络中获取提取特征，通过提取特征将训练数据集中随机选择的真实类别的图像聚类为大量的小簇； S102：将每个小簇中的样本合并到一个随机选择的真实类别中，以完成噪声样本加载； S2：基于数据间的距离关系刻画数据分布，随着训练进程推进数据分布的记录更新； 步骤S2中，具体包括如下步骤： S201：初始化记录不同类间距离的均值和方差的距离均值矩阵和距离方差矩阵； 其中，，；表示训练数据集中样本的类别数量； S202：针对每个训练batch，利用类别标签下标从距离均值矩阵和距离方差矩阵中抽取该训练batch中出现的类别，生成记录训练batch中样本间距离的均值和方差变化值的训练均值矩阵和训练方差矩阵； 其中，，；表示训练batch中的类别数量； S203：根据训练进程中数据真实的距离关系，记录当前训练轮次下训练均值矩阵和训练方差矩阵的时序更新情况，并对应更新训练轮次下的距离均值矩阵和距离方差矩阵； S3：基于数据分布的分布矩阵，去除每个训练batch中的噪声样本； S4：基于数据分布自适应指导采样策略的学习并完成采样； 步骤S4中具体包括如下步骤： S401：将训练均值矩阵扩充为矩阵，将训练方差矩阵扩充为矩阵； 其中，，的大小为；表示训练batch中的类别数量；表示输入数据的真实距离； S402：计算得到正样本的采样策略；表示跟随训练进程推进而发生改变的变量； S403：计算得到负样本的采样策略；表示跟随训练进程推进而发生改变的变量； S404：基于正样本和负样本的采样策略完成采样； S5：最小化模型的损失函数以更新模型参数，并同步更新数据分布；通过训练好的模型将数据集中的样本映射到一个特征表示空间，使得相似的样本距离得很近，不相似的样本距离得很远，达到正负样本分离的结果； 步骤S5中，基于样本携带的信息量、分层分配权重计算模型的损失函数； 具体包括如下步骤： S501：根据样本携带的信息量设置分层的负样本权重系数，基于负样本权重系数计算对应的负样本损失函数； 负样本权重系数为； 负样本损失函数为； 式中：表示控制权重程度的超参数；表示当前训练进程的采样边界； S502：根据样本的距离远近设置正样本权重系数，基于正样本权重系数计算对应的正样本损失函数； 正样本权重系数为； 正样本损失函数为； S503：基于负样本损失函数和正样本损失函数相加得到模型的损失函数； 模型的损失函数为。

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之江实验室;重庆大学，其通讯地址为：311100 浙江省杭州市文一西路1818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。