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！

龙图腾网获悉长春大学申请的专利基于表征融合与头部训练的模型更新方法和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：CN121809602B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610289189.3，技术领域涉及：G06N3/098；该发明授权基于表征融合与头部训练的模型更新方法和图像分类方法是由徐大伟;吴衡;赵国罡;童智鹏;赵剑设计研发完成，并于2026-03-11向国家知识产权局提交的专利申请。

本基于表征融合与头部训练的模型更新方法和图像分类方法在说明书摘要公布了：基于表征融合与头部训练的模型更新方法和图像分类方法，涉及联邦学习与隐私保护技术领域，具体涉及一种用于联邦学习框架中的本地异构模型更新方法。其解决异构联邦学习中因特征空间几何不一致导致的原型不可靠聚合、决策边界不统一，以及过度依赖公共数据集进行知识传递的问题，同时显著降低了通信成本与模型结构泄露风险。所述方法包括：服务器向客户端分发全局模型参数；客户端基于本地特征提取器生成类别原型，并与全局特征提取器进行特征融合后，将更新参数及原型上传；服务器聚合参数与原型，并利用聚合原型训练全局预测头后下发；客户端据此更新本地模型并执行图像分类。本发明适用于医疗图像分析、工业视觉检测及边缘智能设备等领域。

本发明授权基于表征融合与头部训练的模型更新方法和图像分类方法在权利要求书中公布了：1.基于表征融合与头部训练的图像分类方法，其特征在于，利用基于表征融合与头部训练的模型更新方法获得的本地异构模型进行图像分类，所述图像分类包括以下步骤： 步骤B1，客户端对待分类图像进行归一化、尺寸调整以及格式转换预处理，得到预处理后的图像； 步骤B2，将所述预处理后的图像输入更新后的本地特征提取器，得到图像特征表示； 步骤B3，将所述图像特征表示输入更新后的本地预测头，得到类别概率或logits并输出； 所述模型更新方法包括以下步骤： 步骤A1，服务器初始化全局同构模型参数，所述全局同构模型参数包括全局特征提取器参数和全局预测头参数；所述服务器将初始化后的全局同构模型参数分发给被选取的客户端； 步骤A2，所述客户端利用本地训练数据，基于本地异构模型中的本地特征提取器生成类别原型，并分别通过本地特征提取器与所述初始化后的全局特征提取器参数进行特征提取，并将得到的两种特征进行自适应融合得到融合后的全局特征提取器参数； 步骤A3，所述客户端将所述融合后的全局特征提取器的参数和所述类别原型上传至服务器； 步骤A4，服务器将所有客户端上传的所述全局特征提取器的参数进行聚合，得到更新的全局特征提取器参数，并对所述类别原型进行聚合，得到全局原型； 步骤A5，服务器利用所述全局原型训练所述全局预测头参数，得到训练后的全局预测头参数； 步骤A6，所述客户端接收所述服务器更新的全局特征提取器参数和所述训练后的全局预测头参数，用于更新本地异构模型，得到更新后的本地特征提取器和本地预测头； 步骤A2中，所述自适应融合包括以下步骤： 步骤A211，特征提取，在通信时，所述客户端将其本地训练数据中的样本对输入到全局特征提取器和本地特征提取器中，提取全局化特征和个性化特征； 步骤A212，双投影映射，所述客户端将全局化特征和个性化特征分别输入全局投影模块与本地投影模块，得到投影特征； 步骤A213，拼接融合，将所述投影特征与按特征维度进行拼接形成融合后的特征； 步骤A214，双支路预测，计算客户端总损失； 步骤A215，联合优化，所述客户端总损失通过带独立学习率的梯度下降更新全局同构模型、本地异构模型、全局投影模块与本地投影模块。

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长春大学，其通讯地址为：130022 吉林省长春市卫星路6543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。