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！

龙图腾网获悉西北工业大学申请的专利一种基于双伪标签优化学习的RGB图像半监督目标检测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：CN115393687B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202210822832.6，技术领域涉及：G06V10/25；该发明授权一种基于双伪标签优化学习的RGB图像半监督目标检测方法是由魏巍;张磊;孙宇轩设计研发完成，并于2022-07-12向国家知识产权局提交的专利申请。

本一种基于双伪标签优化学习的RGB图像半监督目标检测方法在说明书摘要公布了：本发明公开了一种基于双伪标签优化学习的RGB图像半监督目标检测方法，对于训练批量中的有标注图像，首先对图像进行数据增广操作，然后利用真实标签监督学生模型在图像上的学习。对于无标注图像，分别获得其弱增强图像和强增强图像。使用构建的伪类别优化网络和伪包围框优化网络分别对教师模型在弱增强图像的预测结果进行优化，从而获得该图像的伪类别标签和伪包围框标签。然后利用该图像的伪类别标签和伪包围框标签监督学生模型在弱增强图像上的学习。最后，在有标注图像上构造用于训练伪类别优化网络和伪包围框优化网络的样本和，然后用相应的标签监督优化网络的学习。本发明可以显著提升高质量伪标签的数量，进而提升RGB图像目标检测的效果。

本发明授权一种基于双伪标签优化学习的RGB图像半监督目标检测方法在权利要求书中公布了：1.一种基于双伪标签优化学习的RGB图像半监督目标检测方法，其特征在于，包括如下步骤： 步骤1：构建学生模型和教师模型，学生模型和教师模型均为目标检测网络；所述学生模型使用梯度更新的方式进行训练，利用指数滑动平均算法将学生模型的参数更新至教师模型，教师模型不参与梯度更新； 对于有标注的RGB图像，其中，和分别表示图像的高度和宽度，其标注为，表示输入图像包含个目标，对于第个目标，其类别为，边界框坐标为；将图像输入到学生模型中，对学生模型进行训练和优化； 对于无标注的RGB图像，会分别经过两次不同的图像增强操作，也就是强图像增强操作和弱图像增强操作，得到对应的强增强图像和弱增强图像： 其中，为弱图像增强操作，表示强图像增强操作，和分别为对应的弱增强图像和强增强图像；弱增强图像用于生成无标注图像的伪标签，而强增强图像和对应的伪标签则用于让学生模型进行半监督学习； 步骤2：将输入到教师模型中并生成相应的预测结果： 其中.表示教师模型，为对应得到检测结果； 将分类子任务和回归子任务的伪标签解耦，分别对预测结果进行优化得到伪类别标签和伪包围框标签； 伪类别优化网络通过二次分类以校正目标所属的类别；对于一个目标，首先重新提取其位置对应的特征，然后经过三层全连接层构成的网络对类别进行重预测，并将新的预测结果与之前的结合以得到最终更准确的伪类别标签： 其中，表示伪类别优化网络； 伪包围框优化网络通过平移和放缩以聚合上下文和边界信息，进而提升回归质量；对于一个包围框，为其左上点坐标，为其右下点坐标，为框对角线长度，首先将包围框沿着四个对角线方向移动长度的距离以得到四个新的框，随后将包围框扩大两次，放缩倍数分别为；然后将原框对应位置的特征和六个新得到的框对应位置的特征通过卷积和全连接层聚合并得到优化的伪包围框结果作为伪包围框标签： 其中，表示伪包围框优化网络； 步骤3：使用步骤2得到的伪类别标签和伪包围框标签，分别对学生模型在强增强图像上的预测结果做监督： 其中，表示学生模型预测的分类结果，表示学生模型预测的回归结果，和分别代表目标检测中的分类损失函数和回归损失函数，为训练批量中无标注图像的数量；学生模型在有标注数据上的训练损失函数则为： 其中，表示学生模型，表示学生模型在有标注图像上预测的分类结果，表示学生模型在有标注数据上预测的回归结果，为训练批量中有标注图像的数量；和分别表示目标检测中的分类损失函数和回归损失函数；在训练过程中，每个训练批量都包含一定比例的有标注图像和无标注图像； 步骤4：采用随机采样方法优化网络的训练； 对于有标注的RGB图像，以及其第个目标的左上角坐标和右下角坐标，通过随机采样伪框以模拟教师模型输出的伪标签： 其中，和分别表示采样得到的第个伪框的左上角坐标和右下角坐标，表示目标框的尺寸向量，是一个预定义的尺度因子以控制采样范围，和分别是从高斯分布中随机采样到的向量，表示元素级乘法； 对于伪包围框优化网络，设置，为每个目标框采样个伪框作为训练样本；对于伪类别优化网络，训练样本由以下三个部分组成：为每个目标框采样个下的伪框和个伪框以及教师网络的区域提议网络的输出；表示为伪包围框优化网络采样训练样本位置的高斯分布的方差，表示为伪类别优化网络采样正训练样本位置的高斯分布的方差，表示为伪包围框优化网络采样负训练样本位置的高斯分布的方差； 构造好训练样本之后，通过对应的真实标签训练两个优化网络；伪包围框优化网络的损失函数为GIoU损失函数，伪类别优化网络的损失函数为标准交叉熵损失函数；最后，总的损失函数为： 其中，是平衡有标注图像上的损失函数和无标注图像上损失函数的权重系数，为优化网络的损失函数；为有标注图像上的损失函数，为无标注图像上的损失函数。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。