買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜上海交通大學申請的專利一種基于區域特征對齊的無監督域適應語義分割方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN113936275B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111196859.0，技術領域涉及：G06V20/70；該發明授權一種基于區域特征對齊的無監督域適應語義分割方法是由莊楚云;周千寓;魯學權;馬利莊設計研發完成，并于2021-10-14向國家知識產權局提交的專利申請。

本一種基于區域特征對齊的無監督域適應語義分割方法在說明書摘要公布了：本發明涉及一種基于區域特征對齊的無監督域適應語義分割方法，該方法包括：訓練學生?教師模型：將源域圖片輸入到學生模型中得到分割預測結果，將源域圖片的分割預測結果和源域標簽進行交叉熵損失計算，對源域圖片和目標域圖片的像素點做基于類別的融合，得到的第一融合圖片經過學生模型的分割預測結果和第一融合圖片的偽標簽進行一致性損失的計算，對源域圖片和目標域圖片的像素點做基于區域的融合，對第二融合圖片和目標域圖片進行區域特征對齊獲取對比損失，計算三類損失的梯度，反傳梯度更新學生模型的參數，同時更新教師模型的參數；采用訓練的教師模型對目標域圖片進行語義分割。與現有技術相比，本發明分割效果的魯棒性和穩定性大大提高。

本發明授權一種基于區域特征對齊的無監督域適應語義分割方法在權利要求書中公布了：1.一種基于區域特征對齊的無監督域適應語義分割方法，其特征在于，該方法包括：訓練學生-教師模型：將源域圖片輸入到學生模型中得到分割預測結果，將源域圖片的分割預測結果和源域標簽進行交叉熵損失計算，對源域圖片和目標域圖片的像素點做基于類別的融合，得到的第一融合圖片經過學生模型的分割預測結果和第一融合圖片的偽標簽進行一致性損失的計算，對源域圖片和目標域圖片的像素點做基于區域的融合，對第二融合圖片和目標域圖片進行區域特征對齊獲取對比損失，計算交叉熵損失、一致性損失和對比損失的梯度，反傳梯度更新學生模型的參數，并使用指數滑動平均法更新教師模型的參數；采用訓練的教師模型對目標域圖片進行語義分割；對第二融合圖片和目標域圖片進行區域特征對齊獲取對比損失的具體方式包括：將目標域圖片輸入至教師模型，得到的分割預測結果作為目標域圖片的偽標簽；將第二融合圖片輸入至學生模型，基于源域標簽和目標域圖片的偽標簽獲取第二融合圖片的偽標簽；采用教師模型投影結構對目標域圖片在教師模型主干網絡處提取的特征進行投影處理得到目標域圖片的投影向量；采用學生模型投影結構對第二融合圖片在學生模型主干網絡處提取的特征進行投影處理得到第二融合圖片的投影向量；對目標域圖片的投影向量和第二融合圖片的投影向量之間的重疊區域進行特征對齊，獲取第二融合圖片的投影向量上重疊區域的對比損失；獲取第二融合圖片的投影向量上重疊區域的對比損失的具體方式為：對第二融合圖片的投影向量重疊區域的每個位置分別篩選正負樣本；基于篩選的正負樣本，計算第二融合圖片中重疊區域各個位置投影向量的對比損失并求和得到該重疊區域的對比損失；篩選正負樣本的方式包括：對于重疊區域中的每個位置，其正樣本包括目標域圖片相同位置的投影向量，根據教師模型對目標域圖片在該位置處的分割預測結果的預測概率大小篩選該位置是否參與重疊區域對比損失的計算，若教師模型對目標域圖片在該位置處的分割預測結果的預測概率大于設定閾值，則對應位置參與重疊區域對比損失的計算，進而篩選該位置對應的負樣本，所述的負樣本包括目標域圖片以及第二融合圖片中其他位置且與當前篩選位置不屬于同一標簽類別位置處對應的投影向量，所述的負樣本還包括歷史迭代過程中產生的負樣本；對比損失通過下式獲得： 其中，表示第二融合圖片中重疊區域內位置i，j處投影向量Em2i,j的對比損失，為投影向量Em2i,j對應的正樣本投影向量，Em,n為投影向量Em2i,j對應的負樣本投影向量，N表示投影向量Em2i,j對應的負樣本集合，P為篩選的參與對比損失計算的位置集合，NUM為集合P中參與對比損失計算的位置的總數，exp為指數運算，simu,v＝uTv||u||||v||，simu,v表示投影向量u和v的余弦相似度，τ為參數因子。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人上海交通大學，其通訊地址為：200240 上海市閔行區東川路800號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。