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！

龙图腾网获悉厦门大学申请的专利一种基于多尺度学习的半监督实例分割方法、系统及存储介质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：CN118710911B 。

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：202410930124.3，技术领域涉及：G06V10/26；该发明授权一种基于多尺度学习的半监督实例分割方法、系统及存储介质是由曹刘娟;马跃;陈晨;张声传;林贤明设计研发完成，并于2024-07-11向国家知识产权局提交的专利申请。

本一种基于多尺度学习的半监督实例分割方法、系统及存储介质在说明书摘要公布了：本发明涉及一种基于多尺度学习的半监督实例分割方法、系统及存储介质，本发明对于两种尺度下预测的分类标签的角度以及掩膜的角度进行互相参考和纠正，再通过综合得分确定最终应当保留的伪标签，从而很好地对单一尺度上的伪标签进行数量上的补充以及质量上的提优。本发明还设计了面积适应的额外尺度学习策略，通过在额外的尺度下让模型分别学习大面积以及根据预测情况保留的小面积伪标签，有效提升额外下采样下的模型对于伪标签的学习效果。

本发明授权一种基于多尺度学习的半监督实例分割方法、系统及存储介质在权利要求书中公布了：1.一种基于多尺度学习的半监督实例分割方法，其特征在于：所述方法增设了多尺度伪标签纠正模块和面积适应的额外尺度学习策略；所述方法具体包括以下步骤： 步骤1、随机初始化学生模型和教师模型； 步骤2、将原始尺度的有标签图片输入学生模型得到预测结果； 步骤3、通过有标记图片的标签和预测结果进行计算损失函数； 步骤4、对原始尺度和下采样0.5倍尺度的无标记图片进行弱数据增强，从教师模型中获取弱数据增强的无标记图片的预测结果，最终得到原始尺度下的伪标签以及下采样0.5倍尺度下的伪标签； 步骤5、将原始尺度下的伪标签和下采样0.5倍尺度下伪标签输入进多尺度伪标签纠正模块，得到优化后的伪标签； 所述步骤5中，原始尺度下的伪标签和下采样0.5倍尺度下伪标签输入进多尺度伪标签纠正模块后，伪标签纠正模块的处理包含了三个步骤：多尺度伪标签匹配、跨尺度优化和混合伪标签选择； 步骤6、对原始尺度下的无标签图片进行强数据增强，将经过强数据增强的无标记图片输入到学生模型得到预测结果； 步骤7、将学生模型对于强数据增强的无标记图片的预测结果和优化后的伪标签计算无标记图片的损失函数； 步骤8、对下采样0.5倍尺度下的无标签图片进行强数据增强，将经过强数据增强的无标签图片输入到学生模型得到预测结果； 步骤9、将优化后的伪标签下采样0.5倍尺度得到伪标签，将学生模型对于下采样0.5倍尺度下强数据增强图片的预测结果和伪标签利用面积适应的额外尺度学习策略计算无标签图片的损失函数； 所述步骤9中，利用面积适应的额外尺度学习策略计算无标签图片的损失函数具体如下： 通过面积阈值将所有伪标签分为大面积伪标签和小面积伪标签，将小面积伪标签与下采样0.5倍尺度下的预测结果做二分图匹配，得到匹配结果后，计算小面积伪标签和与其对应匹配预测掩膜的IoU，如果IoU小于阈值，把该小面积伪标签丢弃，大于则保留； 大面积和保留的小面积伪标签将分别在额外的尺度监督学生模型，损失分别为和，公式如下： 10 11 12 其中，和分别是大面积和保留的小面积伪标签的数量；是下采样0.5倍尺度下模型的预测，是对应下采样的经过MPC优化后的伪标签，是掩膜计算的Dice损失，是分类计算的交叉熵损失，是无监督的下采样分辨率下的总损失； 步骤10、将步骤3、步骤7和步骤9得到的损失值加权求和得到总损失，以梯度回传算法训练学生模型； 步骤11、通过EMA方法指数移动平均对多个时间步中的学生模型进行集成，更新教师模型的参数； 步骤12、重复步骤2至步骤11，不断训练学生模型和教师模型实例分割的性能，直到预设的迭代次数结果； 步骤13、训练完成后，任意选择教师模型或者学生模型对于输入的图片进行推理预测，得到实例分割的结果。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。