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！

龙图腾网恭喜中山大学申请的专利基于对抗蒸馏的鲁棒无监督域自适应图像分类方法及装置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：CN115019106B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210733867.2，技术领域涉及：G06V10/764；该发明授权基于对抗蒸馏的鲁棒无监督域自适应图像分类方法及装置是由肖遥;罗彬;陈宇恒;魏朋旭;林倞设计研发完成，并于2022-06-27向国家知识产权局提交的专利申请。

本基于对抗蒸馏的鲁棒无监督域自适应图像分类方法及装置在说明书摘要公布了：本发明公开了一种基于对抗蒸馏的鲁棒无监督域自适应图像分类方法及装置，方法包括下述步骤：获取无监督目标域自然样本集；构建鲁棒无监督域自适应图像分类框架，包括非鲁棒目标域教师模型和鲁棒目标域学生模型；使用预训练的非鲁棒源域模型对非鲁棒目标域教师模型的参数进行初始化，在无监督目标域自然样本集上进行端到端的迭代训练；构造鲁棒目标域学生模型，在无监督目标域自然样本集上进行对抗蒸馏训练，输出图像分类结果。本方法将知识蒸馏和对抗训练结合起来，在源域数据完全缺失的情况下，只使用非鲁棒源域模型获得目标域上的鲁棒模型，在保持对目标域自然样本分类性能的同时，有效地提升了对目标域对抗样本的分类性能和模型的鲁棒性。

本发明授权基于对抗蒸馏的鲁棒无监督域自适应图像分类方法及装置在权利要求书中公布了：1.基于对抗蒸馏的鲁棒无监督域自适应图像分类方法，其特征在于，包括下述步骤：获取无监督目标域自然样本集；构建鲁棒无监督域自适应图像分类框架；所述鲁棒无监督域自适应图像分类框架包括非鲁棒目标域教师模型和鲁棒目标域学生模型；所述鲁棒无监督域自适应图像分类框架的目标函数是基于间隔差异散度在无源域数据条件下进行推导而得，具体为：根据间隔学习理论可得，对于任意一个得分函数f，都满足： 其中是一个理想间隔损失，是得分函数f在目标对抗域上基于0-1损失的分类误差，是得分函数f在源域上以常数ρ为间隔的分类误差，是以常数ρ为间隔的源域和目标域的间隔差异散度，是以常数ρ为间隔的目标域和目标对抗域的间隔差异散度；令在目标对抗域上基于0-1损失的分类误差达到最小的最优得分函数f，故根据1式的右端项得： 在源域数据完全缺失的条件下可知，得分函数f在源域上以常数ρ为间隔的分类误差是常数，故根据2式推导出鲁棒无监督域自适应图像分类框架的目标函数为： 其中，为非鲁棒目标域教师模型的目标函数，为鲁棒目标域学生模型的目标函数；使用预训练的非鲁棒源域模型对非鲁棒目标域教师模型的参数进行初始化，在无监督目标域自然样本集上进行端到端的迭代训练，得到训练好的非鲁棒目标域教师模型；所述得到训练好的非鲁棒目标域教师模型，具体为：采用不使用源域数据的无监督域自适应学习模型进行标准的无监督域自适应学习，获得非鲁棒目标域教师模型；使用预训练的非鲁棒源域模型的参数对非鲁棒目标域教师模型的参数进行初始化；将无监督目标域自然样本集输入非鲁棒目标域教师模型中进行端到端的迭代训练，得到训练好的非鲁棒目标域教师模型；基于训练好的非鲁棒目标域教师模型构造鲁棒目标域学生模型，在无监督目标域自然样本集上进行对抗蒸馏训练，得到训练好的鲁棒目标域学生模型并输出图像分类结果；所述得到训练好的鲁棒目标域学生模型，具体为：采用和非鲁棒目标域教师模型相同的结构构造鲁棒目标域学生模型；根据鲁棒目标域学生模型的参数信息，对无监督目标域自然样本集中每个自然样本生成对应的对抗样本；进行对抗蒸馏训练，每次迭代训练过程中，将非鲁棒目标域教师模型的参数固定，对鲁棒目标域学生模型进行端到端的训练，得到训练好的鲁棒目标域学生模型并输出图像分类结果。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。