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！

龙图腾网获悉成都理工大学申请的专利一种基于不确定性分数伪标签的持续学习实例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：CN116051918B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202211360327.0，技术领域涉及：G06V10/774；该发明授权一种基于不确定性分数伪标签的持续学习实例分割方法是由陈光柱;韩银贺;熊文杰;廖晓鹃设计研发完成，并于2022-11-02向国家知识产权局提交的专利申请。

本一种基于不确定性分数伪标签的持续学习实例分割方法在说明书摘要公布了：本发明公开了一种基于不确定性分数伪标签的持续学习实例分割检测方法，包括三部分，其一是不确定性分数伪标签生成方法，通过对每个伪标签添加不确定性分数，在网络训练过程中根据不确定分数和训练值动态的调整伪标签的可信度，提高学生模型学习的准确度。其二是最后一层特征蒸馏方法，该方法将教师特征教师模型对输入图片提取的最后一层特征和学生特征学生模型对输入图片提取的最后一层特征进行蒸馏。其三是输出蒸馏方法，该方法将教师模型的输出结果分类，边框蒸馏到学生模型中。本发明能够有效的缓解持续学习在实例分割中遇到的灾难性遗忘和背景偏移问题，有效保留旧类图像的知识并且完成对新类图像的分割任务。

本发明授权一种基于不确定性分数伪标签的持续学习实例分割方法在权利要求书中公布了：1.一种基于不确定性分数伪标签的持续学习实例分割方法，其特征在于，包括如下步骤： 步骤1.获取任务t，t1时的数据集，包括新类图像及新类实例分割标签； 步骤2.采用任务t-1时训练的模型Mt-1作为教师模型，构建基于不确定性分数伪标签方法，获取任务t时新类图像中旧类实例的不确定性分数伪标签，并将新类图像中旧类实例的不确定性分数伪标签和新类实例分割标签进行合并得到任务t的新数据集： 首先，使用任务t-1时训练的模型Mt-1作为教师模型； 其次，将任务t时的新类图像输入到教师模型中得到实例结果对于新类图像中的每个实例其实例结果表示如下： 其中，表示实例的类别，表示实例的边界框，表示实例的实例掩码，i是一个迭代变量； 之后，给新类图像中旧类实例添加不确定性，即将实例结果作为任务t中新类图像中旧类实例的不确定性分数伪标签，基于不确定性分数伪标签方法计算方法为： 其中，是实例的伪标签分数，为模型Mt-1预测实例为c类的置信度分数，表示在任务t的第i个实例的训练目标，表示实例属于类别c0，c0是背景类，C1:t-1＝{C1,C2,…,Ct-1}是旧类类别，Ct是任务t时的新类别，Ct+1:T＝{Ct+1,Ct+2,…,CT}是未来类别，T表示任务数；公式第一行表明实例是一个真正的新类实例，因此其标签的分数为1.0；公式第二行表明这是一个伪背景，即新类图像中旧类实例，因此其标签分数为预测结果的置信度得分 之后，将任务t的新类图像中旧类实例的不确定性分数伪标签和新类实例分割标签进行合并，合并过程如下： 其中，表示任务t的新数据集中实例分割标签，ybg表示背景类实例的标签，公式的第一行表明实例是一个真正的新类实例，因此它的标签是新类实例分割标签；第二行表明实例是一个伪背景，因此其标签是不确定性分数伪标签； 最后，由于新数据集中实例分割标签不同于新类实例分割标签，因此定义使用新数据集中实例分割标签训练的损失函数为 步骤3.构建任务t时的学生模型Mt，将新数据集输入到基于教师-学生模型架构的FODS模型中，进行特征提取，获取教师特征和学生特征，进行最后一层特征蒸馏： 首先，训练教师模型Mt-1的特征提取器对新数据集中新类图像进行特征提取，得到教师特征同样，获取学生特征其中L表示最后一层，t表示任务t，t-1表示任务t-1； 之后，将教师特征和学生特征输入到最后一层特征蒸馏方法中，使用L2损失函数作为最后一层特征蒸馏方法的损失函数，公式为： 其中，φt是一个全局平均池化操作，||·||2是L2损失； 步骤4.获取教师模型Mt-1对任务t新数据集预测的实例结果对其中使用交叉熵函数进行输出蒸馏： 首先，从RPN网络中随机选取建议框p， 其中，表示对x的随机抽样，具体操作是将所有建议框按照分数从大到小进行排序，选出分数最高的128个，然后从选出的128个建议框中随机抽取64个，是任务t-1时的RPN网络，表示依次对输入的图片Xt进行和 其次，对于选取的建议框p，分别计算教师模型和学生模型的分类和边界框； 之后，对教师模型和学生模型的分类和边界框进行交叉熵损失计算，具体计算过程为： 其中，Np是抽样建议框的数量，设定为64，表示ROI分类器，其中第一个参数是特征提取器，第二个参数p是计算分类的建议框，同样的，表示ROI边界框回归，其参数同表示对类别蒸馏，表示对边界框蒸馏； 最后，对教师模型和学生模型进行输出蒸馏包括分类蒸馏和边界框蒸馏 步骤5.融合步骤3中最后一层特征蒸馏和步骤4中输出蒸馏的损失函数，对FODS模型进行训练，其损失函数为： 其中，α，β，γ是超参数；通过训练，获取学生模型，该模型即为所需的解决持续学习实例分割的模型。

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成都理工大学，其通讯地址为：610059 四川省成都市成华区二仙桥东三路1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”。