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！

龙图腾网获悉安徽大学申请的专利一种基于多模态预训练模型的无源跨域适应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：CN121214038B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202511398006.3，技术领域涉及：G06V10/764；该发明授权一种基于多模态预训练模型的无源跨域适应图像分类方法是由王姗姗;冯子英;杨勋;张兴义设计研发完成，并于2025-09-28向国家知识产权局提交的专利申请。

本一种基于多模态预训练模型的无源跨域适应图像分类方法在说明书摘要公布了：本发明公开了一种基于多模态预训练模型的无源跨域适应图像分类方法，涉及迁移学习技术领域，首先通过定量估计目标域数据在源模型上存在的类别相似矩阵；然后将源模型的类别相似矩阵引入CLIP多模态预训练模型，定向生成混淆类别文本特征用于分类，并得到相应的分类结果；接着将源模型的分类结果与CLIP的分类结果加权，并将两个模型的输出分别对齐加权结果；再依据类别相似矩阵计算每个模型的类别特征中心库；最后使用注意力网络将输入图像在两个特征中心库上的投影对齐以实现特征空间的对齐。本发明从模型的角度动态估计下游任务中类别间的相似程度，利用模型间的互补信息进行学习，并实现对相似类别间的细粒度分类，且具有一定的可解释性。

本发明授权一种基于多模态预训练模型的无源跨域适应图像分类方法在权利要求书中公布了：1.一种基于多模态预训练模型的无源跨域适应图像分类方法，其特征在于，包括以下步骤： S1，获取无标签的目标域图像数据集、源模型、多模态预训练模型； 步骤S1具体如下所示： 目标域图像数据集中的类别数量为C，图像数量为； 源模型包括特征提取器和分类器，源模型S是由与目标域类别数量一致的有标签源域图像数据集所训练的； 多模态预训练模型包括文本编码器和图像编码器，获取与目标域类别数量一致的类别文本集合，作为多模态预训练模型的文本输入，将文本输入的前缀提示词对应的token设置为可学习参数；其中，表示第个类别的文本； S2，利用源模型对目标域图像数据集进行预测，根据对应的预测结果，估计目标域图像数据集在源模型上存在的类别混淆关系，得到源模型的类别相似矩阵； 其中，利用源模型对目标域图像数据集中的图像进行处理，得到预测结果即分类概率向量，计算源模型中图像对每个类别的概率中心的权重，并计算每个类别的概率中心向量，将源模型中每个类别的概率中心向量连接，得到源模型的类别相似矩阵； S3，利用源模型的类别相似矩阵导出混淆类别文本，将源模型导出的混淆类别文本输入多模态预训练模型的文本特征编码器中进行处理得到混淆类别文本特征，用于指导多模态预训练模型对输入图像输出预测结果，即分类概率向量；同时，计算混淆类别文本特征对应的混淆类别概率中心向量和类别预测概率向量，通过计算混淆类别概率中心向量和类别预测概率向量之间的KL散度，构造损失函数； 其中，多模态预训练模型的图像特征编码器对输入图像进行处理得到对应的图像特征，计算图像特征与每组混淆类别文本特征中的每个混淆类别文本特征之间的相似度，并将最大相似度作为图像与对应类别的最优距离，将所有类别的最优距离归一化处理后作为图像的分类概率向量； S4，针对输入图像，将源模型的分类概率向量和多模态预训练模型的分类概率向量进行熵加权，得到融合分类概率向量； S5，分别构建源模型和多模态预训练模型的混淆类别特征中心库；构建注意力网络，通过注意力网络将输入图像的图像特征分别投影到两个模型的混淆类别特征中心库，得到两个投影特征，并对两个投影特征进行加权，得到域混合特征；同时，通过对比学习拉近两个投影特征之间的距离，构造损失函数； 其中，计算源模型和多模态预训练模型在类别对上的特征中心，从而构建源模型和多模态预训练模型的混淆类别特征中心库； S6，通过计算融合分类概率向量和多模态预训练模型对输入图像输出的分类概率向量之间的KL散度，构造损失函数；将与加权构造对多模态预训练模型的损失函数；通过计算融合分类概率向量和源模型对输入图像输出的分类概率向量之间的KL散度，构造损失函数；通过计算融合分类概率向量与域混合特征输入源模型的分类器后输出的分类概率向量之间的散度，构造损失函数；将和加权构造损失函数； S7，进行模型训练，通过最小化损失函数和，优化多模态预训练模型的可学习参数，以及优化源模型和注意力网络的可学习参数； S8，利用训练后的源模型，对待分类的目标域图像进行分类。

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安徽大学，其通讯地址为：230000 安徽省合肥市肥西路3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。