買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉遼寧工程技術(shù)大學(xué)申請的專利一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115731396B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211050124.1，技術(shù)領(lǐng)域涉及：G06V10/44；該發(fā)明授權(quán)一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法是由王偉;張志瑩;武聰;肖春嬌;張志遠(yuǎn);王鑫博;谷金濤設(shè)計研發(fā)完成，并于2022-11-28向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法在說明書摘要公布了：本發(fā)明公開了一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法，該方法包括：訓(xùn)練數(shù)據(jù)采用當(dāng)前任務(wù)樣本和生成偽樣本；將訓(xùn)練的任務(wù)輸入到模型中進(jìn)行訓(xùn)練，經(jīng)過編碼器進(jìn)行特征提取，獲得所述任務(wù)的均值和協(xié)方差；基于貝葉斯變分推斷方法得到網(wǎng)絡(luò)中表征的后驗分布，計算參數(shù)估計的不確定性；通過極大似然估計，進(jìn)行訓(xùn)練模型分類器，得到最優(yōu)分類結(jié)果；將先前經(jīng)過編碼器提取到的潛在特征先驗分布服從高斯混合分布，通過解碼器生成偽樣本圖像，并計算深度生成模型的損失。根據(jù)本發(fā)明的實(shí)施例，模型可以在實(shí)現(xiàn)動態(tài)環(huán)境中精準(zhǔn)分類，克服持續(xù)學(xué)習(xí)過程災(zāi)難性遺忘問題，在實(shí)際場景中可以根據(jù)上下文信息進(jìn)行選擇，在實(shí)際應(yīng)用場景中具有重要意義。

本發(fā)明授權(quán)一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法在權(quán)利要求書中公布了：1.一種基于貝葉斯變分推斷的持續(xù)學(xué)習(xí)方法，其特征在于，包括以下步驟： 1獲取待訓(xùn)練的任務(wù)，所述待訓(xùn)練的任務(wù)是當(dāng)前任務(wù)圖像和前一個任務(wù)所生成的偽樣本圖像； 2將所述待訓(xùn)練的任務(wù)輸入到模型中進(jìn)行訓(xùn)練，經(jīng)過編碼器進(jìn)行特征提取，獲得所述任務(wù)的均值和協(xié)方差； 3基于貝葉斯變分推斷方法得到網(wǎng)絡(luò)中表征的后驗分布，計算參數(shù)估計的不確定性，以及模型變分推斷的損失；貝葉斯變分推斷方法采用的損失函數(shù)如下： 其中，t，Nt分別是第t個任務(wù)和它所包含的樣本數(shù)；表示第n樣本及其真實(shí)標(biāo)簽；qtω，代表第t和t-1任務(wù)的隱藏空間中潛在變量z的后驗分布；ω代表其網(wǎng)絡(luò)中得到的參數(shù)；在貝葉斯變分推斷中，為了得到其任務(wù)的參數(shù)分布，采用KL散度Kullback-Leiblerdivergence進(jìn)行衡量，則KLqtω||qt-1ω，為得到當(dāng)前任務(wù)的后驗分布，將前一個任務(wù)的后驗分布作為當(dāng)前模型訓(xùn)練的先驗分布；為極大似然估計函數(shù)；在訓(xùn)練過程中需要滿足最小化貝葉斯變分推斷損失函數(shù) 4通過極大似然估計，進(jìn)行訓(xùn)練模型分類器，得到最優(yōu)分類結(jié)果； 5將上述2中得到的潛在特征先驗分布服從高斯混合分布，通過解碼器生成偽樣本圖像，并計算深度生成模型的損失； 高斯混合模型GMM是一個普遍存在的用于密度估計、模式識別和函數(shù)逼近的統(tǒng)計模型，它具有解析可處理性、漸進(jìn)性和連續(xù)密度函數(shù)的通用近似能力；在生成偽樣本使用高斯混合概率分布代替先驗分布，使得每個類別都有單獨(dú)的模型，潛在變量z的分布更加靈活，與此同時增加模型的可塑性，通過對z的采樣限制模型生成指定的類別；則將原有潛在空間的特征進(jìn)行轉(zhuǎn)換為： 其中pΩz分別是高斯混合模型GMM后驗分布和先驗分布，Ω是每個高斯模型的均值和標(biāo)準(zhǔn)差的集合，αk＝y(tǒng)表示輸入類別，K為αk輸入總數(shù)，對應(yīng)類先驗系數(shù)ωk＝ω'k＝py＝αk＝1k， 進(jìn)一步基于高斯混合先驗分布得到的潛在變量的KL散度損失： 其中 和是第k個目標(biāo)值平均值和標(biāo)準(zhǔn)差； 解碼器網(wǎng)絡(luò)pφ根據(jù)潛在變量z的后驗分布進(jìn)行重構(gòu)偽樣本圖片讓潛在變量特征z生成的偽樣本與原始任務(wù)輸入數(shù)據(jù)相似，減小生成偽樣本的誤差，重構(gòu)損失函數(shù)表達(dá)式應(yīng)變?yōu)椋? 其中，φ分別為編碼器和解碼器的分布參數(shù)；進(jìn)一步深度生成模型的損失函數(shù)應(yīng)為： 。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人遼寧工程技術(shù)大學(xué)，其通訊地址為：123000 遼寧省阜新市細(xì)河區(qū)中華路47號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。