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！

龙图腾网获悉上海科技大学申请的专利基于统一最优运输框架的通用领域自适应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：CN115641472B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202211285215.3，技术领域涉及：G06V10/764；该发明授权基于统一最优运输框架的通用领域自适应方法是由汪婧雅;常琬星;石野设计研发完成，并于2022-10-20向国家知识产权局提交的专利申请。

本基于统一最优运输框架的通用领域自适应方法在说明书摘要公布了：本发明提出了一种基于统一最优运输框架的通用领域自适应方法，涉及深度学习、计算机视觉领域，包括：将源域和目标域图像样本通过特征提取器，获得正则化后的特征；将目标域特征与源域原型做相似度计算；将相似度矩阵送入非平衡最优运输求解器求解，获得分配矩阵；进行自适应填充后再进行优化问题求解；使用统计均值筛选出高置信度样本为公共类别，并赋予伪标签计算域对齐损失函数。其中，将目标域样本与之在内存队列中的最近邻特征拼接后，和目标域原型做相似度计算；将相似度矩阵送入最优运输求解器求解，获得分配矩阵；将所得分配矩阵作为伪标签计算目标域特征发现损失函数；进行网络训练，使通用领域自适应问题得以解决。

本发明授权基于统一最优运输框架的通用领域自适应方法在权利要求书中公布了：1.一种基于统一最优运输框架的通用领域自适应方法，其特征在于，包括以下步骤： 步骤1：基于源域样本图片xs和目标域样本图片xt获得训练批次对应的源域特征集合以及目标域特征集合其中：B是批次大小；分别是第B个源域特征以及目标域特征； 步骤2：源域特征经过分类器得到预测向量，利用源域的标签与分类器预测向量计算交叉熵分类损失函数Lcls，其中，将分类器的每个神经元参数看作源域类别在特征空间的原型其中：是源域的类别集合；为源域的类别数目；是源域的第个源域原型； 步骤3：目标域特征与源域原型作相似度计算获得相似度矩阵将相似度矩阵Sst输入进非均衡最优运输求解器，求解优化后的最优分配矩阵Qst； 步骤4：对所得最优分配矩阵Qst进行归一化操作，获得归一化最优分配矩阵 步骤5：根据归一化最优分配矩阵分别计算目标域样本视角的权重以及源域原型角度权重其中：是第i个目标域样本视角的权重，上标t表示目标域标识，下标i表示第i个目标域样本特征；是归一化最优运输矩阵的第i行、第n列元素，上标st表示源域与目标域标识，下标i表示第i行，下标n表示第n列；是第j个源域原型对于的权重，上标s表示源域标识，下标j表示第j个源域原型； 步骤6：根据目标域样本视角的权重和源域原型角度权重筛选出高置信度目标域样本作为公共类别样本，用伪标签δi＝1标识，其中只有当和同时成立时，δi＝1；否则δi＝0，其中，是第i个目标域样本的伪标签，上标t表示目标域标识，下标i表示表示第i个目标域样本特征，通过对分类器预测向量取最大值得到； 步骤7：对相似度矩阵Sst取行最大值操作，统计每行最大值大于等于一个粗糙的界限γ的百分比，基于百分比判断目标域中潜在的公共类别样本更多还是潜在的目标域私有类别样本更多； 步骤8：进行自适应填充机制使得目标域样本的正负样本比例均衡：当公共类别样本更多时，采取混合特征向量的方式合成虚假样本向量作为私有类别样本；当私有类别样本更多时，采用步骤6中所得的高置信度目标域样本作为填充； 步骤9：填充样本后重复步骤3至步骤6，重新获取步骤6中的高置信度目标域样本，并赋以伪标签，计算基于伪标签的迁移损失函数其中，LCE·，·是交叉熵损失函数； 步骤10：使用目标域特征Zt作为查询对象，在内存队列中找到其最近邻的特征作为邻居特征，纵向拼接目标域特征Zt及其邻居特征，标记为 步骤11：拼接的目标域特征与一组可学习的目标域原型Ct作相似度计算获得相似度矩阵将相似度矩阵Stt输入进平衡最优运输求解器，求解优化后的最优分配矩阵Qtt； 步骤12：对所得最优分配矩阵Qtt进行操作，从而获得软伪标签矩阵K是预定义的目标域原型个数； 步骤13：为使得每个目标域样本向被匹配到的目标域原型Ct拉近，计算基于全局聚类的损失函数其中，是最优运输矩阵乘以系数后得到的伪标签矩阵的第i行，交叉熵损失函数定义为qi，k是第i个样本目标的标签向量的第k位元素，pi，k是第i个样本目标的所得的预测概率向量的第k位元素，ck是第k个原型特征向量，zi是第i个样本目标的特征向量； 步骤14：为使得每个目标域样本具有邻域一致性，计算基于局部聚类的损失函数式中，是第i个目标域特征向量对应的最近邻样本特征向量； 步骤15：加和平均基于全局聚类的损失函数Lglobal和基于局部聚类的损失函数Llocal，获得目标域表征学习损失函数LPCD； 步骤16：加权源域监督分类损失函数Lcls、基于伪标签的迁移损失函数LCCD以及目标域表征学习损失函数LPCD，得最终的总训练损失函数Loverall； 步骤17：基于总训练损失函数Loverall反向传播计算梯度，更新特征提取器参数以及目标域原型参数； 步骤18：用本训练批次的目标域样本特征更新内存队列中的特征向量； 步骤19：自适应更新非均衡最优运输的权重向量β，其中，向量是归一化最优分配矩阵的列和，μ是滑动动量更新的参数，控制向量更新的程度； 步骤20：重复步骤1至步骤19直至达到所规定的最小训练迭代次数，最终达到模型收敛，实现域间公共类别对齐以及域内表征学习，最终实现通用域自适应。

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上海科技大学，其通讯地址为：201210 上海市浦东新区华夏中路393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。