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！

龙图腾网获悉陕西科技大学申请的专利一种基于层次粒度对比学习的半监督息肉分割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：CN120107961B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202510110018.5，技术领域涉及：G06V20/69；该发明授权一种基于层次粒度对比学习的半监督息肉分割方法是由杜晓刚;王鸫;雷涛;王营博;邹屹彬;陈佳隆;魏征;耿雨佳设计研发完成，并于2025-01-23向国家知识产权局提交的专利申请。

本一种基于层次粒度对比学习的半监督息肉分割方法在说明书摘要公布了：本发明公开了一种基于层次粒度对比学习的半监督息肉分割方法，包括步骤：步骤1、构建网络模型HGCL，初始化参数并训练；2、对标注数据风格迁移，生成风格迁移视图；3、将风格迁移视图和未标注数据对应地输入标注数据分支和未标注数据分支的CNN编码器，提取深层特征；4、Transformer解码器和CNN解码器根据输入的深层特征生成中间特征并输入层次空间对比学习策略，计算层次空间对比学习损失；5、计算标注数据分支的监督损失和未标注数据分支的一致性损失；6、利用细粒度对比学习策略将深层特征划分为细粒度局部单元，以不确定性图选择高置信度伪标签作为锚点，进行细粒度对比学习并计算细粒度对比损失；7、计算总损失。本发明提高了医学图像分割精度。

本发明授权一种基于层次粒度对比学习的半监督息肉分割方法在权利要求书中公布了：1.一种基于层次粒度对比学习的半监督息肉分割方法，其特征在于，包括如下步骤： 步骤1、构建基于层次粒度对比学习的半监督息肉分割网络模型HGCL，初始化网络参数并训练网络模型HGCL； 所述网络模型HGCL包括标注数据分支、未标注数据分支和细粒度对比学习策略FGCL，其中：标注数据分支和未标注数据分支均包括CNN编码器、Transformer解码器和CNN解码器，且Transformer解码器和CNN解码器的中间层添加有层次空间对比学习策略HSCL； 所述层次空间对比学习策略HSCL包括大区域对比学习和小区域对比学习，其中，大区域对比学习通过捕获全局信息提升模型的结构感知能力，小区域对比学习通过细化局部特征增强对复杂区域的敏感性，并通过层次空间对比损失在全局与局部信息之间建立平衡，从而提高特征的一致性和判别力； 所述细粒度对比学习策略FGCL将编码器生成的深层特征划分为细粒度局部单元，利用解码器生成的不确定性图选择高置信度伪标签作为锚点，在粒度单元内部定义同类特征为正样本，不同类特征为负样本，进行细粒度对比学习； 步骤2、将未标注数据Xu的背景迁移到标注数据Xl，对标注数据Xl进行风格迁移，生成风格迁移后的标注数据视图Xu→l； 步骤3、将风格迁移视后的标注数据图Xu→l输入标注数据分支的CNN编码器，将未标注数据Xu输入未标注数据分支的CNN编码器，提取深层特征； 步骤4、将标注数据分支的CNN编码器提取的深层特征Fl输入标注数据分支的Transformer解码器和CNN解码器，将未标注数据分支的CNN编码器提取的深层特征Fu输入未标注数据分支的Transformer解码器和CNN解码器，将Transformer解码器和CNN解码器生成的中间特征输入到层次空间对比学习策略HSCL，利用层次空间对比学习策略HSCL捕获全局信息、细化局部特征，并通过层次空间对比学习损失LHSCL在全局信息和局部特征之间建立平衡； 步骤5、计算标注数据分支的监督损失Lsup和未标注数据分支的一致性损失Lcon； 步骤6、利用细粒度对比学习策略FGCL将深层特征Fl和Fu划分为细粒度局部单元，利用Transformer解码器和CNN解码器输出的不确定性图选择高置信度伪标签作为锚点，在粒度单元内部定义同类特征为正样本，不同类特征为负样本，进行细粒度对比学习，并计算细粒度对比损失LFGCL； 步骤7、计算总损失Ltotal，表示为： Ltotal＝Lsup+λ1Lcon+λ2LHSCL+λ3LFGCL 式中，λ1、λ2和λ3是权重系数。

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陕西科技大学，其通讯地址为：710021 陕西省西安市未央大学园区；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。