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！

龙图腾网获悉华中师范大学申请的专利基于半监督学习的UI元素智能分类方法、系统及产品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：CN120781231B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202511217816.4，技术领域涉及：G06F18/2431；该发明授权基于半监督学习的UI元素智能分类方法、系统及产品是由和诗雨;马于涛;赵玉琦设计研发完成，并于2025-08-28向国家知识产权局提交的专利申请。

本基于半监督学习的UI元素智能分类方法、系统及产品在说明书摘要公布了：本发明公开了一种基于半监督学习的UI元素智能分类方法、系统及产品，以Transformer结构为基础，引入MeanTeacher一致性正则机制以提升模型在小样本条件下的泛化能力，通过多模态特征融合实现对碎片化与重叠化UI元素的精准分类与结构化分组。首先对每个UI元素提取图像、文本、颜色、位置与类别等多源特征，并统一编码为256维嵌入表示；然后将嵌入序列输入多层Transformer编码器进行上下文建模，输出三类结构标签并据此自动完成元素分组；本发明能够有效提升UI元素分类的准确性与稳定性，减少对人工标注的依赖，适用于界面自动生成、低代码开发、UI原型解析与交互行为建模等场景。

本发明授权基于半监督学习的UI元素智能分类方法、系统及产品在权利要求书中公布了：1.一种基于半监督学习的UI元素智能分类方法，其特征在于，包括以下步骤： 步骤1：获取UI元素，将每个UI元素的多模态属性转化为统一格式的嵌入向量，作为深度学习模型的输入； 步骤2：将统一格式的嵌入向量输入深度学习模型，输出UI元素分类结果； 所述深度学习模型，由位置编码器、多层Transformer编码器和SoftMax层组成；所述多层Transformer编码器，是由N个相同结构的Transformer编码器块组成的堆叠模型，每个Transformer编码器块包含多头自注意力机制层MHA、第一归一化层LN、前馈神经网络FFN和第二归一化层LN；其中，所述位置编码器的输出与所述第一归一化层LN的输出残差连接后输入所述前馈神经网络FFN；所述前馈神经网络FFN的输入与所述第二归一化层LN的输出残差连接后输入所述SoftMax层后输出分类结果；N为预设值； 采用MeanTeacher框架的半监督训练方法对深度学习模型进行训练； 所述MeanTeacher框架的半监督训练方法，包括两个参数共享但更新策略不同的模型：学生模型与教师模型；两个模型在初始阶段采用相同的UI元素分类结构，并通过参数复制实现初始化；训练过程中，学生模型参数通过标准的反向传播与梯度下降方式进行更新；教师模型的参数并不通过反向传播直接训练，而是通过学生模型参数的指数滑动平均EMA方式进行更新，保持教师模型作为学生模型预测的稳定目标； 训练过程中，将监督损失与一致性损失加权融合，构建总训练损失函数Loss： ； 其中，为一致性损失的权重，采用如下公式实现随训练进度增长的动态调节机制： ； ； 其中，是一致性权重的最大值，是一致性权重逐渐增加的周期数，用于控制一致性权重在训练初期的增长速度，以确保一致性权重在训练初期增长较慢，随着训练的进行逐渐加快增长，直到达到最大值，表示当前训练迭代的次数，函数作为激活函数来实现平滑的增加； 对有标签样本，引入数据增强噪声，得到扰动样本，并将其输入学生模型进行预测，生成输出；然后将预测结果与真实标签计算交叉熵损失： ； 其中，是用于衡量模型预测概率分布与真实标签之间差异的分类损失函数，通过最小化负对数似然优化模型参数； 对于未标注数据，对其注入不同噪声，生成扰动样本；该样本分别输入学生模型和教师模型，产生预测结果与；通过对二者输出结果计算均方误差MSE获得一致性损失： ； 其中，表示当前批次中未标注数据的样本数量；在训练过程中，学生模型每轮迭代后都会更新其参数，表示学生模型中可训练的参数；同时，教师模型的参数依据以下公式进行平滑更新： ； 其中，其中表示模型在第轮迭代中的参数，表示模型在第轮迭代中的参数；表示EMA衰减系数，决定了模型参数的“惯性”，用于控制新参数与旧参数的加权平均；α的取值随训练轮次逐渐增加，具体更新为： ； 步骤3：基于分类结果，分组输出。

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华中师范大学，其通讯地址为：430079 湖北省武汉市洪山区珞瑜路152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。