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！

龙图腾网获悉北京京航计算通讯研究所;北京航空航天大学申请的专利通过弱监督实现的噪声数据集目标检测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：CN116935125B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202310910583.0，技术领域涉及：G06V10/764；该发明授权通过弱监督实现的噪声数据集目标检测方法是由张依漪;郝创博;马静;王磊设计研发完成，并于2023-07-24向国家知识产权局提交的专利申请。

本通过弱监督实现的噪声数据集目标检测方法在说明书摘要公布了：提供了通过弱监督实现的噪声数据集目标检测方法。本文采用的方法主要分为三个模块。首先采用弱监督方法WSOD生成伪标签，对应WOSD模块。之后通过LocalizationAdaptationLA模块对生成伪标签的回归位置信息进行调整。最后通过半监督学习Semi‑SupervisedLearningSSL模块进行对有噪声数据集的学习。通过对后两个模块的循环迭代，我们能同时对噪声数据集进行不断地更新降噪，从而得到更好的训练效果。

本发明授权通过弱监督实现的噪声数据集目标检测方法在权利要求书中公布了：1.通过弱监督实现的噪声数据集目标检测方法，其特征在于，包括以下步骤： 第一步，获取图像级标签数据集X＝{I，P，y}；其中I代表输入图片集合，集合P为图片中表征待测目标位置信息的集合；集合y为图片中标注待测目标类别的集合，其表达方式为y＝[y1，y2，...，yC]T，代表数据集中存在的C个物体分类； 第二步，通过弱监督目标检测方法，在图像级标签数据集X上生成伪标签，包括通过弱监督目标检测方法标注出的待测目标分类和位置回归信息，其生成的伪标签存在一定噪声；由此将图像级标签数据集X转化为噪声标签数据集Xp＝{I，{s}}，其中S＝b，c，b＝[x，y，w，h]，b代表实例级标注中边界框的位置信息，其中x，y代表边界框的中心位置，w，h代表边界框的宽和高；c代表了该边界框覆盖的待测目标的分类； 第三步，通过LA模块对生成伪标签的回归位置信息进行调整；包括通过均匀分布方式随机生成一系列参数对噪声标签数据集xp中标注的边界框区域位置进行变化，之后将处理过的位置信息以及其对应的区域送入Faster-RCNN目标检测模型进行类别预测；通过设置使其筛选出分类置信度高于设定阈值和与原边界框区域交并比低于设定阈值的候选框，之后采用移动平均值法对这些选出的候选框进行加和；在做完这一加和操作后，将位置信息进行解码操作，映射回原有的预处理前的位置，并将其作为真实边界框来更新噪声标签数据集Xp得到数据集Xp1，将数据集Xp1再次送入全监督模型进行训练；其损失由对噪声标签数据集Xp中标注的边界框区域原有的位置信息和数据集Xp1的经过调整的位置信息对应的区域共同构成；在计算总损失时，将计算这两部分的总损失，并将其用于Faster-RCNN目标检测模型部分的参数更新； 第四步，由步骤三，得到的数据集Xp1划分为有标签数据集和无标签数据集两类； 第五步，通过SSL模块进行半监督训练；设定了一个Teacher分类-回归预测检测头和一个Student分类-回归预测检测头；利用Teacher分类-回归预测检测头对数据集Xp1的有标签数据集进行评价，利用Student分类-回归预测检测头对数据集Xp1的无标签数据集进行评价；对于有标签数据集，将其元素进行随机的强弱数据增强，与有标签数据集的元素进行损失计算；对于无标签数据集，将其分别送入Teacher模型以及经过EMS操作复制了Teacher模型参数的Student模型中；通过二者的评价结果进行损失计算；之后将有标签数据集的损失和无标签数据集的损失进行平均后加和，作为半监督训练的总损失； 第六步，记录通过Student分类-回归预测检测头的预测所产生的新的伪标签得到带有新标注的数据集Xp，用于下一次的循环中； 第七步，综合所述第三步骤的LA模块的损失，以及所述第五步骤的SSL模块损失，作为总体损失对网络进行参数更新； 第八步，重复第三步到第七步的内容，直到循环达到设定的轮次，得到训练后的LA模块和SSL模块； 将待检测图像提供给训练后的SSL模块，SSL模块的Teacher分类-回归预测检测头输出对待检测图像的检测结果。

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北京京航计算通讯研究所;北京航空航天大学，其通讯地址为：100074 北京市丰台区云岗北区西里一号院；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。