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！

龙图腾网获悉大连理工大学申请的专利一种基于类对比学习的开集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：CN119785011B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202411983851.2，技术领域涉及：G06V10/25；该发明授权一种基于类对比学习的开集半监督目标检测方法是由徐易;汤沛松;徐齐;张向奎;马润超设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于类对比学习的开集半监督目标检测方法在说明书摘要公布了：本发明属于计算机视觉领域，公开一种基于类对比学习的开集半监督目标检测方法。本发明针对实例级近似分布外数据问题提出解决方案，通过结合聚类思想和类对比学习思想，提出一种近似分布外数据过滤策略，抽象式的为每个预测实例划分动态边界，防止近似分布外数据实例带来的错误语义扩展。并通过动态阈值策略和类对比学习的有效集成，既能在训练初期防止过度严格的分布外异常过滤导致模型将过多的正常实例误判为分布外实例，进而影响模型的泛化性能，又能利用无标记数据中正常实例和少量近似分布外数据实例提升模型的泛化能力，还能在训练后期严格把控标签分配，防止过多近似分布外实例分配正常伪标签，导致模型性能由于数据方差过大而急速下滑。

本发明授权一种基于类对比学习的开集半监督目标检测方法在权利要求书中公布了：1.一种基于类对比学习的开集半监督图像目标检测方法，其特征在于，步骤如下： 步骤1：根据标签数据的各类别标签实例级数据自适应分配不同大小特征内存缓冲区； 步骤2：将有标签数据送入Faster‑RCNN模型进行监督学习训练，同时利用类对比学习拉近类内距离，拉远类间距离，并在迭代后更新各类别内存缓冲区； 步骤3：重复步骤2迭代2K次，并在迭代完成后将权重复制为教师模型和学生模型，两者共享相同的权重； 步骤4：将无标签数据经过数据弱增强后送入教师模型进行预测，得到待筛选伪标签； 步骤5：将生成的待筛选伪标签进行自适应筛选，在一定迭代次数前，两种筛选机制任意一种判定伪标签为真，即为真；在一定迭代次数后，需要两种筛选机制同时判定伪标签为真，方为真； 将待筛选伪标签进行自适应筛选，筛选机制为两种过滤方法通过集成学习中的投票法和迭代次数来进行动态调控，第一种过滤方法为：将待筛选伪标签对应实例特征的预测值与动态阈值进行比较，丢弃低于动态阈值的实例特征和伪标签；其中，动态阈值为初始值0.3，按照线性函数在一定回合内递增至0.8；第二种过滤方法为：在待筛选伪标签对应的特征内存缓冲区中找到与当前预测实例最为相似的实例特征，记为锚点；随后，将该锚点与对应类别的特征内存缓冲区中最不相似的实例特征之间的相似度距离作为阈值；如果当前待筛选伪标签对应实例特征与锚点之间的相似度距离大于该阈值，则保留当前预测实例伪标签，否则将其丢弃； 步骤6：将伪标签赋予给无标签数据对应实例级数据后与标签数据一起送入学生模型进行训练，其中无标签数据只进行监督损失训练，有标签数据额外进行类对比学习损失训练，并将标签数据中最不相似的实例特征更新至特征内存缓冲区；最后将学生模型按照指数移动平均法来对教师模型进行更新，其中α=0.1； 步骤7：重复步骤4至步骤6到达指定训练步数，将最终的教师模型应用至测试环境中并进行预测。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。