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！

龙图腾网获悉电子科技大学申请的专利一种面向目标检测领域自适应模型的无监督模型选择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：CN119360149B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202411520278.1，技术领域涉及：G06V10/771；该发明授权一种面向目标检测领域自适应模型的无监督模型选择方法是由李文;段立新;余恒甫;邓金红设计研发完成，并于2024-10-29向国家知识产权局提交的专利申请。

本一种面向目标检测领域自适应模型的无监督模型选择方法在说明书摘要公布了：本发明属于目标检测技术领域，涉及领域自适应目标检测DAOD，具体提供一种面向目标检测领域自适应模型的无监督模型选择方法，用以在不依赖目标域标签的情况下实现目标检测模型的有效评估和选择，进而实现领域自适应目标检测。本发明提出基于模型变异性与领域分布距离的组合指标，在模型变异性方面，设计平滑指数评分FIS，通过模型扰动前后的目标预测结果相似性衡量模型在参数空间中的平坦性；在领域分布距离方面，提出原型距离比评分PDR，通过计算不同类别目标在特征空间中的距离比值，衡量领域分布的距离；最后将平滑指数评分与原型距离比评分归一化后结合作为组合指标，用以完成目标检测领域自适应模型的无监督模型选择任务。

本发明授权一种面向目标检测领域自适应模型的无监督模型选择方法在权利要求书中公布了：1.一种面向目标检测领域自适应模型的无监督模型选择方法，其特征在于，包括以下步骤： 步骤1.采取任意种领域自适应目标检测算法，在给定源域和目标域数据集的情况下做无监督领域自适应训练，并在训练过程中获得T个检查点； 步骤2.针对每一个检查点，计算平滑指数评分FIS；平滑指数评分的计算过程为： 将原始模型表示为f·；θ，θ表示原始模型的参数，设γ表示参数空间的半径，对原始模型的参数θ添加扰动Δ，获得邻域模型f·；θ′，θ′表示邻域模型的参数，表示为θ′←θ+Δ，并且，‖Δ‖＝γ； 给定目标域无标签图像xi，由原始模型预测得目标组j表示原始模型预测的目标序号，bj与pj分别表示原始模型预测的第j个目标的目标框与分类概率向量，ni为原始模型预测的目标数量；由邻域模型预测得目标组j′表示邻域模型预测的目标序号，与分别表示邻域模型预测的第j′个目标的目标框与分类概率向量，ni′为邻域模型预测的目标数量；计算原始模型的第j个预测目标与扰动后邻域模型第j′个预测目标之间的预测相似性djj′： 其中，IoU表示预测框之间的交并比，KL表示分类概率向量之间的KL散度； 则计算平滑指数评分FIS为： 其中，n″i＝min{ni,n′i}，表示目标域分布，σj表示邻域模型预测目标中对应于原始模型的第j个预测目标的匹配目标序号，σj′表示原始模型预测目标中对应于邻域模型的第j′个预测目标的匹配目标序号，σ表示匈牙利算法； 步骤3.针对每一个检查点，计算原型距离比评分PDR；原型距离比评分的计算过程为： 设定Fi表示第i个图像的实例特征矩阵，其第k类目标的分类概率为r表示特征序号，表示第i个图像的实例特征数量，表示第i个图像的第r个实例特征属于第k类目标的概率； 在目标域中，计算第k类目标的原型 其中，表示目标域中第k类目标的原型，Fir表示第i个图像的第r个实例特征向量，表示目标域分布； 在源域中，计算第k类目标的原型 其中，表示源域中第k类目标的原型，表示源域分布； 根据原型原型对应得到源域和目标域的原型矩阵计算类内原型距离dintra： 其中，K为模型的分类类型数量，M·,·表示原型矩阵间逐类别的L2距离矩阵，大小为K×K，tr·表示矩阵的迹； 计算类间原型距离dinter： 其中，Mkk′表示L2距离矩阵M中第k行、第k′列的距离值； 根据dintra和dinter计算原型距离比评分PDR： 步骤4.对所有检查点的平滑指数评分FIS、原型距离比评分PDR分别进行归一化处理，并对归一化结果进行数据融合，得到每一个检查点的检测适应评分DAS； 步骤5.选取检测适应评分最大的检查点作为模型选择结果，完成无监督模型选择。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。