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！

龙图腾网获悉中国电子科技集团公司第十研究所;四川大学申请的专利双级别对齐主动学习的半监督域自适应语义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：CN117058373B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310949838.4，技术领域涉及：G06V10/26；该发明授权双级别对齐主动学习的半监督域自适应语义分割方法是由侯云;王艳;陈颖;刘红伟;周激流设计研发完成，并于2023-07-31向国家知识产权局提交的专利申请。

本双级别对齐主动学习的半监督域自适应语义分割方法在说明书摘要公布了：本发明公开双级别对齐主动学习的半监督域自适应语义分割方法，包括步骤：进行基于主动学习的数据选择；初始的无标签目标域数据被输入一个预训练网络，嵌入到中间特征空间中；对特征向量进行聚类操作之后，使用主动学习的方法，即从各个聚类当中选择最具有多样性和不确定性的样本进行标注；进行域适应分割，通过一个转换器模型进行特征嵌入操作，通过特征层面以及语义层面的域对齐来实现从源域到目标域的分割操作。本发明有效提高了分割效果，降低了错误先验知识对样本选择过程的误导，为语义分割任务提供更多的知识，在特征层面上的域对齐来降低全局层面的域间差异，在语义层面域对齐在局部层面上减轻域偏移造成的影响。

本发明授权双级别对齐主动学习的半监督域自适应语义分割方法在权利要求书中公布了：1.双级别对齐主动学习的半监督域自适应语义分割方法，其特征在于，包括步骤： S100,进行基于主动学习的数据选择；初始的无标签目标域数据被输入一个预训练网络，嵌入到中间特征空间中；对特征向量进行聚类操作之后，使用主动学习的方法，即从各个聚类当中选择最具有多样性和不确定性的样本进行标注； S200,进行域适应分割，通过一个转换器模型进行特征嵌入操作，通过特征层面以及语义层面的域对齐来实现从源域到目标域的分割操作； 其中，在进行进行域适应分割时：通过对抗学习训练转换器模型，并使用其提取得到全局特征，在特征向量上施加分布的一致性约束，实现特征层面的域对齐； 语义层面的域对齐通过以下两个操作实现： 首先是局部层面上，通过应用对比学习方法，提高不同域间相同类别的语义表征向量的相似度和不同类别的语义表征向量的差别； 最后，利用训练得到的分割模型来为无标签目标域生成伪标签，并进一步使用生成的伪标签来扩展原带标签数据集，重新对跨域分割模型进行训练，从而提高其表现； 其中，通过特征层面的域对齐来实现从源域到目标域的分割操作，包括： 使用一个CNN编码器来提取局部特征，再使用一个转换器模型来构建CNN编码器特征中的全局依赖关系；选择只使用带标签源域数据xS和带标签目标域数据xL来训练模型；CNN输出的特征被进行位置编码，之后输入六个同样的转换器模型层； 每个转换器模型层包含一个多头注意力模块，两个残差加和层正则化层,以及一个前向反馈网络；分别从输入数据xS和xL中得到全局特征fS＝GxS和fL＝GxL，这里G指代CNN编码器和转换器模型的结合函数；在这之后，特征将被输入一个辨别器D，通过对抗学习的方式来减少fS和fL间的分布差异，从而实现特征层面的域对齐； 通过语义层面的域对齐来实现从源域到目标域的分割操作，即从局部层面对齐两个分布，使用对比学习的方法，推动不同域间相同类别的语义表征聚集起来，不同类别的语义表征相互分离； 得到类的语义表示，使用一个投影头，将全局特征fS和fL转化为投影特征pS和pL，并将投影特征与相应的标签yS和yL一起送入类感知特征提取器；其中，投影特征具有与相应的标签相同的高度H和宽度W，标签yS和yL的每个通道代表一个特定的语义类别标签； 之后，类感知特征提取器由下式得到第c个语义表征vc： 式中yc代表了y的第c个语义标签，p代表投影特征； 通过这种方式，得到源域中的语义表征向量和目标域中的语义表征向量M和N分别代表各个域中的语义类别数量；每个语义特征向量都代表一个来自源域或目标域的不同的语义类的特征向量； 最终，使用了对比学习的思路，通过减少属于相同类别的向量vS和vL间的距离，增加属于不同类别的向量vS和vL间的距离来实现语义级别的域对齐。

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中国电子科技集团公司第十研究所;四川大学，其通讯地址为：610000 四川省成都市茶店子东街48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。