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！

龙图腾网获悉合肥锐视医疗科技有限公司申请的专利一种基于半监督学习的图像多目标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：CN118228768B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202410318751.1，技术领域涉及：G06N3/045；该发明授权一种基于半监督学习的图像多目标分割方法是由杨义瑞设计研发完成，并于2024-03-20向国家知识产权局提交的专利申请。

本一种基于半监督学习的图像多目标分割方法在说明书摘要公布了：本发明提出了一种基于半监督学习的图像多目标分割方法，属于生命科学、医学和工业检测技术领域。本发明包括：S1、收集有标注的训练数据和无标注的训练数据；S2、搭建老师模型与学生模型；所述学生模型为待训练的模型，所述老师模型为引导学生模型训练的模型；S3、通过有标注的训练数据和无标注的训练数据训练老师模型，生成伪标签，并通过生成的伪标签引导学生模型训练；S4、利用训练好的学生模型进行图像多目标分割。本发明通过搭建神经网络，利用老师模型在训练阶段生成伪标签，帮助学生模型利用无标注的训练数据进行训练，减小了对于有标注训练数据的依赖，使得最终训练得到的学生模型可完成多目标的图像分割操作。

本发明授权一种基于半监督学习的图像多目标分割方法在权利要求书中公布了：1.一种基于半监督学习的图像多目标分割方法，其特征在于，包括， S1、收集有标注的训练数据和无标注的训练数据； S2、搭建老师模型与学生模型；所述学生模型为待训练的模型，所述老师模型为引导学生模型训练的模型； S3、通过有标注的训练数据和无标注的训练数据训练老师模型，生成伪标签，并通过生成的伪标签引导学生模型训练； S4、利用训练好的学生模型进行图像多目标分割; 所述S3中，训练过程包括： S31、训练数据选取； S32、损失计算； S33、更新参数权重； 步骤S32中，损失计算的方法包括， S321、计算有标注损失； S322、计算无标注损失； S323、计算区域损失； 步骤S321中，有标注损失的计算的方法为， 对中每一组数据对，执行弱数据增强，然后将增强后的输入学生模型得到第一分割结果，即，最后，利用损失函数计算有标注损失； 有标注损失函数采用骰子损失和Poly损失，其公式为： 其中，是Poly损失，是骰子损失； 步骤S322中，无标注损失的计算方法为， 对中每一个数据执行强数据增强，然后将输入老师模型得到第二分割结果，即，接着计算中第个像素的熵，其公式为， 其中，是上第个像素在第个类别上的像素值，表示是的熵，为分割类别数； 随后，根据下式为无标注数据生成伪标签数据： 其中是预先设定的第轮训练伪标签阈值； 最后，将输入学生模型得到第三分割结果，，并利用损失函数计算无标注损失LU，损失函数包括骰子损失函数和Poly损失函数 步骤S323中，计算区域损失的方法为 i计算有标注区域损失： 对中数据对，执行弱数据增强，生成两组增强数据对，和，，然后分别将和输入学生模型得到，，即，，分别将和输入老师模型得到和，即和，从中为的每一个分割类别选择查询样本，其公式为： 其中，表示学生模型输出的特征数据中第个像素的特征数据，表示对应的标注数据中第个像素的像素值，表示老师模型输出的中第个像素的熵，为预先设定的阈值； 从中为的每一个分割类别选择正样本，其公式为： 其中，表示学生模型输出的特征数据中第个像素的特征数据，表示对应的标注数据中第个像素的像素值，表示中第个像素的熵，为预先设定的阈值； 从中为的每一个分割类别选择负样本，其公式为： 其中，表示学生模型输出的特征数据中第个像素的特征数据，表示对应的标注数据中第个像素的像素值，表示老师模型为上第个像素预测的类别在所有可能性中的排序，为预先设定的阈值； 同理，对的每一个分割类别选择查询样本、正样本和负样本，运算逻辑和原理与为的每一个分割类别选择查询样本、正样本以及负样本的方法相同； 最后，根据下式计算有标注区域损失： 其中表示和的余弦相似度，是用于控制余弦相似度的参数，为查询样本集合和中第个高级特征数据，为正样本集合和中第个高级特征数据，为负样本集合和中第个高级特征数据； ii计算无标注区域损失： 对中每一个数据执行强数据增强生成两个数据和，然后分别将和输入学生模型得到和，即和，再分别将和输入老师模型得到和，即和，并利用上述生成伪标签方法为和生成伪标签和，从中为的每一个分割类别选择查询样本，其公式为： 其中，表示学生模型输出的高级特征数据中第个像素的特征数据，表示对应的伪标签中第个像素的像素值，表示老师模型输出的中第个像素，为预先设定的阈值； 从中为的每一个分割类别选择正样本，其公式为： 其中，表示学生模型输出的高级特征数据中第个像素的特征数据，表示对应的伪标签中第个像素的像素值，表示老师模型输出的上第个像素，和为预先设定的阈值，表示的熵； 从中为的每一个分割类别选择负样本，其公式为： 其中，表示学生模型输出的高级特征数据中第个像素的特征数据，表示对应的伪标签中第个像素的像素值，表示老师模型为上第个像素预测的类别在所有可能性中的排序，、和为预先设定的阈值，表示的熵； 同理，对的每一个分割类别选择查询样本，正样本和负样本，运算逻辑和原理与为的每一个分割类别选择查询样本、正样本以及负样本的方法相同； 最后，根据下式计算无标注区域损失： 其中，表示和的余弦相似度，是用于控制余弦相似度的参数，为查询样本集合和中第个高级特征数据，为正样本集合和中第个高级特征数据，为负样本集合和中第个高级特征数据。

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合肥锐视医疗科技有限公司，其通讯地址为：230088 安徽省合肥市高新区中安创谷科技园二期J4栋101室；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。