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！

龙图腾网获悉暨南大学申请的专利基于双视角一致性感知的半监督语义分割方法及系统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：CN121837644B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202610314407.4，技术领域涉及：G06V10/26；该发明授权基于双视角一致性感知的半监督语义分割方法及系统是由石敏;陈瑞;骆爱文设计研发完成，并于2026-03-16向国家知识产权局提交的专利申请。

本基于双视角一致性感知的半监督语义分割方法及系统在说明书摘要公布了：本发明公开了一种基于双视角一致性感知的半监督语义分割方法及系统，属于计算机视觉及语义分割技术领域，包括：构建结构相同的教师与学生模型，对训练数据分别施加弱增强与强增强；教师模型基于弱增强未标注图像生成伪标签，学生模型则同时预测强增强与弱增强图像。通过计算伪标签与学生模型弱增强预测间的一致性差异，得出各未标注样本的硬度值，并以此加权未标注损失。最终，结合标注数据的监督损失与加权后的未标注损失共同优化学生模型，并通过指数滑动平均更新教师模型。基于更新后的学生模型和教师模型，完成语义分割。本发明通过上述技术手段的协同作用，在少量标注样本的条件下，实现了更高效、更稳定、更高精度的半监督语义分割。

本发明授权基于双视角一致性感知的半监督语义分割方法及系统在权利要求书中公布了：1.一种基于双视角一致性感知的半监督语义分割方法，其特征在于，包括以下步骤： 获取包含标注图像和未标注图像的训练数据集； 构建具有相同网络结构的教师模型与学生模型，并初始化模型参数； 对所述训练数据集的标注图像和未标注图像均施加弱数据增强，得到对应的弱增强标注图像和弱增强未标注图像； 对所述弱增强未标注图像施加强数据增强，得到强增强未标注图像； 将所述弱增强未标注图像输入所述教师模型，得到对应的伪标签； 将所述强增强未标注图像和所述弱增强未标注图像分别输入所述学生模型，分别得到第一预测结果和第二预测结果； 基于所述伪标签与所述第二预测结果，计算每个未标注图像样本的硬度值； 根据所述伪标签与所述学生模型对所述强增强未标注图像的预测结果，计算未标注图像损失； 利用所述硬度值对所述未标注图像损失进行加权，得到加权未标注图像损失； 根据所述标注图像的真实标签与所述弱增强未标注图像的预测结果，计算标注图像损失； 根据所述标注图像损失与所述加权未标注图像损失构建总损失，利用所述总损失更新所述学生模型的参数，并通过指数滑动平均方式更新所述教师模型的参数； 基于更新后的学生模型和更新后的教师模型，完成语义分割； 所述强数据增强包括随机强度增强和稀疏双视角显著性混合增强； 所述随机强度增强包括：对同一未标注图像分别独立进行两次随机强度增强，生成第一增强视角图像和第二增强视角图像，并将同一批次内的未标注图像的第一增强视角图像和第二增强视角图像分别送至所述稀疏双视角显著性混合增强进行并行处理； 所述稀疏双视角显著性混合增强，包括：针对一个批次内的图像，通过第一视角增强分支对依次输入的所述第一增强视角图像中的部分图像进行显著性分析，获取第一显著性区域；通过第二视角增强分支对依次输入的所述第二增强视角图像中的部分图像进行显著性分析，获取第二显著性区域；根据所述第一显著性区域和所述第二显著性区域对所述第一增强视角图像和所述第二增强视角图像进行混合，生成最终的强增强图像； 根据所述第一显著性区域和所述第二显著性区域对所述第一增强视角图像和所述第二增强视角图像进行混合，具体为： 对依次输入的所述第一增强视角图像中的奇次序的图像进行显著性分析，获取所述第一显著性区域；对依次输入的所述第二增强视角图像中的偶次序的图像进行显著性分析，获取所述第二显著性区域； 截取当前次序的所述第一增强视角图像中与所述第一显著性区域对应的图像块，将其叠加在当前次序的所述第二增强视角图像中与所述第一显著性区域的对应位置上，生成第一强增强图像； 截取当前次序的所述第二增强视角图像中与所述第二显著性区域对应的图像块，将其叠加在下一次序的所述第二增强视角图像中与所述第二显著性区域的对应位置上，生成第二强增强图像； 所述第一强增强图像和所述第二强增强图像构成所述最终的强增强图像。

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暨南大学，其通讯地址为：510000 广东省广州市天河区黄埔大道西601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。