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！

龙图腾网获悉北京航空航天大学申请的专利一种用于语义分割的无源数据无监督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：CN115690428B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202211435678.3，技术领域涉及：G06V10/26；该发明授权一种用于语义分割的无源数据无监督领域自适应方法是由张晶;叶慕聪设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种用于语义分割的无源数据无监督领域自适应方法在说明书摘要公布了：本发明公开了一种用于语义分割的无源数据无监督领域自适应方法，包括：构建虚拟源域构建模型，利用预先训练好的源域预测模型初始化虚拟源域构建模型；采用加权熵损失和正则项对虚拟源域构建模型进行优化；利用优化好的虚拟源域构建模型对目标域样本进行预测，并根据预测置信度划分虚拟源域和不确定性目标域；构建语义分割模型，并利用预先训练好的源域预测模型初始化语义分割模型；采用不确定性感知自训练方法和先验分布感知对抗训练方法对语义分割模型进行优化；基于优化好的语义分割模型对不确定性目标域和虚拟源域之间的分布进行对齐。本发明无需访问原始源域数据，仅需要预训练好的源域预测模型和未标记的目标域数据，能够保护用户隐私。

本发明授权一种用于语义分割的无源数据无监督领域自适应方法在权利要求书中公布了：1.一种用于语义分割的无源数据无监督领域自适应方法，其特征在于，包括以下步骤： 构建虚拟源域构建模型，并利用预先训练好的源域预测模型初始化虚拟源域构建模型；所述源域预测模型是采用真实源域的数据训练收敛而成；所述虚拟源域构建模型的参数采用训练好的源域预测模型的参数； 采用加权熵损失和正则项对虚拟源域构建模型进行优化； 利用优化好的虚拟源域构建模型对目标域样本进行预测，并根据预测置信度划分虚拟源域和不确定性目标域； 构建语义分割模型，并利用预先训练好的源域预测模型初始化语义分割模型； 采用不确定性感知自训练方法和先验分布感知对抗训练方法对语义分割模型进行优化； 基于优化好的语义分割模型对不确定性目标域和虚拟源域之间的分布进行对齐； 所述不确定性感知自训练方法包括以下步骤： 定义一组带有dropout的虚拟源域构建模型 对虚拟源域和不确定性目标域中的每一张图片Xd执行N次前向传播，得到一组预测输出其中,d∈{v,u}， 利用下式得到预测输出中的伪标签； 上式中，表示生成的伪标签，argmax为一种特定函数； 利用下式对得到的伪标签做选择； BXd表示不确定性的值； 利用下式确定不确定性自我训练阶段的损失； 所述先验分布感知对抗训练方法在对虚拟源域和不确定性目标域之间的分布进行对齐的过程中，对虚拟源域和不确定性目标域之间的对象类别不匹配性、类别不平衡性和预测的不确定性因素进行改善；其中，对虚拟源域和不确定性目标域之间的对象类别不匹配性因素进行改善的过程为： 利用下式分别计算虚拟源域和不确定性目标域的类别概率和 其中， 引入阈值θ选择虚拟源域和不确定目标域中的领域共享类别，并排除领域特定类别；选择公式如下： 上式表示，表示当前类别是否被选中，表示当前类别被选中对齐还是被排除，如果或小于θ，则为0，否则为1；c为类别； 利用类别权重对虚拟源域和不确定性目标域之间的类别不平衡性进行改善，类别权重的计算公式为： 其中，表示虚拟源域的类平衡权重值；表示不确定性目标域的类平衡权重值； 利用不确定性权值对虚拟源域和不确定性目标域的预测的不确定性因素进行改善，不确定性权值的计算公式为： 其中，w[c*]表示取w矩阵中索引为c*的值；Xone表示全为1的矩阵；Id表示图片的熵值；表示不确定性高，则权重低，不确定性低，则权重高；表示不确定性的权重矩阵。

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航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。