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！

龙图腾网获悉福州大学申请的专利融合标签去噪的半监督模型泛化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：CN115965815B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202211736527.1，技术领域涉及：G06V10/764；该发明授权融合标签去噪的半监督模型泛化方法是由刘文犀;谢晗;林洛君;于元隆设计研发完成，并于2022-12-31向国家知识产权局提交的专利申请。

本融合标签去噪的半监督模型泛化方法在说明书摘要公布了：本发明涉及一种融合标签去噪的半监督模型泛化方法，包括：步骤1、利用伪标签生成模型生成无标签源域数据的伪标签；步骤2、采用对偶校准泛化模型在伪标签和真实标签的源域上学习，根据small‑loss策略选取干净样本进行交换，双方在筛选出的干净样本上进行更新，同时插入风格混淆模块来提高模型的泛化能力；步骤3、中间域包括有标签源域和具有干净样本的无标签源域，渐进式中间域生成模块将这两部分样本进行线性混合，进入到下一个循环中作为伪标签生成模型的新的有标签源域数据。该方法有利于提高模型的泛化能力。

本发明授权融合标签去噪的半监督模型泛化方法在权利要求书中公布了：1.一种融合标签去噪的半监督模型泛化方法，其特征在于，包括： 步骤1、利用伪标签生成模型生成无标签源域数据的伪标签； 步骤2、采用对偶校准泛化模型在伪标签和真实标签的源域上学习，根据small-loss策略选取干净样本进行交换，双方在筛选出的干净样本上进行更新，同时插入风格混淆模块来提高模型的泛化能力； 步骤3、中间域包括有标签源域和具有干净样本的无标签源域，渐进式中间域生成模块将这两部分样本进行线性混合，进入到下一个循环中作为伪标签生成模型的新的有标签源域数据； 步骤2具体包括以下步骤： 步骤2.1、采用对偶校准泛化模型在伪标签和真实标签的源域上进行学习；对偶校准泛化模型具有两个结构相同但初始化参数不同的子网络，每个子网络分别输入相同的批次，每个批次包含来自的部分有标注数据和来自的部分伪标注数据对于有标注样本，采用其真实标签进行监督；而对于伪标注样本，两个子网络分别根据small-loss策略筛选出干净样本和该些干净样本的伪标签被认为是低噪声的且能作为监督信号；为了避免子网络在自身的干净样本上更新所造成的误差累积，子网络之间交换干净样本，分别在对方筛选出的干净样本上进行更新，损失函数如下所示： 其中，表示交叉熵损失函数，θ1和θ2分别表示两个子网络的模型参数，表示最小化计算的损失并且更新两个子网络的参数； 步骤2.2、在对偶校准泛化模型的子网络结构中插入风格混淆模块，风格混肴模块通过混合不同样本之间的统计量，迫使网络提取风格无关的特征，以达到泛化的目的； 其中，β是样本新的均值，γ是样本新的方差，λ是从Beta分布中随机采样的值，ε是为了防止出现分母为零的情况加入的一个极小值，μ和σ是当前样本的均值和方差，和是同批次中其他样本的均值和方差，F和分别是进入风格混淆模块前、后的特征； 步骤2.3、对每个小批量中的整个无标签源域数据部分采用标签多样性正则化，最小化实例熵以进行实例区分，并最大化全局熵以进行标签多样化： 其中，pθ表示子网络θ的K类预测概率，θ为θ1或θ2，表示从样本空间中采样样本ui； 步骤2.4、计算对偶校准泛化模型的总体损失函数： 其中，Ldiv；表示步骤2.3中的标签多样性正则损失； 步骤2.5、计算梯度并更新模型参数； 利用海量无标注数据来进行半监督学习以实现场景不受限的边缘智能，该方法应用于安防监控系统的云端泛化改进，即在云端利用其他不同安防系统的无标签源域数据来增强场景安防系统的泛化能力，以加强安防预警力度。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。