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！

龙图腾网获悉东北大学申请的专利一种基于生成式回放的持续学习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：CN116310587B 。

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：202310378398.1，技术领域涉及：G06V10/764；该发明授权一种基于生成式回放的持续学习图像分类方法是由冯朝路;张瑞轩;杨金柱;栗伟;覃文军;曹鹏设计研发完成，并于2023-04-11向国家知识产权局提交的专利申请。

本一种基于生成式回放的持续学习图像分类方法在说明书摘要公布了：本发明提供一种基于生成式回放的持续学习图像分类方法，涉及持续学习和计算机视觉技术领域。该方法使用图像分类网络持续地学习图像分类任务；使用图像生成网络学习当前任务图像的分布，并在新任务到来时，生成已学任务的图像作为回放数据，缓解图像分类网络在持续学习过程中的灾难性遗忘问题。该方法采用Teacher‑Student架构，将第t‑1个任务的图像分类网络作为Teacher模型，并用其参数初始化任务Tt的图像分类网络，作为Student模型；Teacher模型在后续训练中固定不变，用来辅助Student模型的训练，使Student模型能记住旧知识。该方法在新任务到来时，利用图像生成网络生成历史任务的伪数据，使得模型在学习新任务时，获得区分新旧任务知识的能力。

本发明授权一种基于生成式回放的持续学习图像分类方法在权利要求书中公布了：1.一种基于生成式回放的持续学习图像分类方法，其特征在于：使用图像分类网络持续地学习图像分类任务；使用图像生成网络学习当前任务图像的分布，并在新任务到来时，生成已学任务的图像作为回放数据，缓解图像分类网络在持续学习过程中的灾难性遗忘问题； 所述图像分类网络的形式为=Cx;θ,V=HFx;θ;V，其中，C表示图像分类网络，u=Fx;θ为特征提取器，θ为特征提取部分的参数，为分类器，矩阵V将特征提取器的输出u投影到类分数中，再通过softmax函数标准化为类概率； 所述方法设定对于持续学习图像分类中每个到来的任务Tt，其对应数据集为，xi是第i个图像，是第i个图像对应的标签，是图像类别对应的词汇表；则对于除首个任务外的其他任务Tt，持续学习图像分类包括以下步骤： 步骤1：采用Teacher-Student架构，将第t-1个任务的图像分类网络Ct-1θt-1作为Teacher模型，并用其参数θt-1初始化任务Tt的图像分类网络Ct，作为Student模型；Teacher模型用来辅助Student模型的训练，使Student模型能记住旧知识； 步骤2：从第t-1个任务的图像生成网络Mt-1中生成前t-1个任务的伪数据是图像生成网络Mt-1生成的图像，是拟生成图像标签，包含前t-1个任务的所有类，z是从一个简单分布中采样的随机潜在向量，N是以前任务回放图像的数量； 步骤3：训练图像分类网络； 步骤3.1：定义难度预测器P，决定每个样本的难度或复杂度，预测值越小样本越简单；使用难度预测器对任务数据集进行预测，得到数据集中每个图像样本x的难度分数r；如下公式所示： 将第t-1个任务的分类网络Ct-1θt-1作为难度预测器，，y是图像x真实标签对应的one-hot向量表示，为图像分类网络的分类损失函数； 步骤3.2：定义训练调度器fλ∈0,1]，λ是一个超参数，控制学习速度；通过fλ确定在每个训练时期选择的图像样本的比例,并根据步骤3.1中得到的难度分数r选择最简单的fλ*num个图像样本构成任务数据集；随着迭代次数的增加，fλ逐渐增大，直至fλ=1； 步骤3.3：将当前任务数据输入图像分类网络Ctθt进行训练，图像分类网络的损失包含两部分：分类损失和蒸馏损失，如下公式所示： ； ； 其中，yi是图像xi真实标签对应的one-hot向量表示，是分类网络对图像xi的预测标签，为分类损失函数，l为蒸馏损失函数，为的数量，Ft-1和Ft分别表示任务Tt-1和Tt中图像分类网络的特征提取器； 步骤4：训练图像生成网络； 步骤5：读取测试图像x，将测试图像输入图像分类网络Ct中，得测试图像对于每个可能的类别的概率值=Ctx;θ,V=HtFtx;θ;V，类别的概率最大值所在的位置j=max在词汇表中的对应值即为图像x的预测类别。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路3号巷11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。