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！

龙图腾网获悉北京交通大学申请的专利一种基于混合标签的弱监督显著性检测方法及训练策略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：CN115620101B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202211081469.3，技术领域涉及：G06V10/80；该发明授权一种基于混合标签的弱监督显著性检测方法及训练策略是由丛润民;秦萁;熊航;刘鸿羽;白慧慧;赵耀设计研发完成，并于2022-09-06向国家知识产权局提交的专利申请。

本一种基于混合标签的弱监督显著性检测方法及训练策略在说明书摘要公布了：本发明涉及一种基于混合标签的弱监督显著性检测方法及训练策略。本发明提出了一个两阶段的网络来分别对粗糙标签进行修正以及对RGB图像中显著性物体的检测框架及方法：在修正网络中，设计了带有引导和聚合机制的混合器模块，在不同阶段对特征进行聚合和修正；此外提出了一个特殊的迭代训练策略，实现对准确标签的充分利用。本发明所述的测试框架与方法在多个公开基准数据集上均达到了具有竞争力的性能。在多目标、复杂背景、低对比度等条件下，本发明均能在粗糙标签的加持下有比较好的预测结果。

本发明授权一种基于混合标签的弱监督显著性检测方法及训练策略在权利要求书中公布了：1.一种基于混合标签的弱监督显著性检测方法，其特征在于，包括以下步骤： 步骤1、在数据集中随机选取一定数量的样本作为真实标签的训练子集，并使用最小化栅格方法生成上述数据集中所有样本的相应粗略标签； 步骤2、将步骤1中得到的包括真实标签和粗略标签的所有训练样本进行平均分成n组，其中的真实标签归入组1，其他粗略标签归入组2至组； 步骤3、使用步骤2得到的各组训练样本利用交替增量迭代机制训练R-Net和S-Net，直至所有训练样本都被遍历； 步骤4、将RGB图片直接输入到S-Net网络中，S-Net根据输入图片即可输出显著性检测结果； 所述步骤3所述利用交替增量迭代机制训练R-Net和S-Net的过程具体为： 步骤3-1、利用组1中带有真实标签的样本对R-Net进行训练，用训练好的R-Net测试组2中的样本获得相应的伪标签，并将组1中带有真实标签的样本和组2中带有伪标签的样本一并送入S-Net中再次训练S-Net；使用经过再训练后的S-Net测试组3中的样本获得用于下一次迭代中R-Net训练的伪标签； 步骤3-2、将组中带有伪标签的样本继续送入R-Net进行训练，用再训练后的R-Net测试组中的样本获得相应的伪标签，并将组中带有伪标签的样本继续送入S-Net中进行再次训练；使用再训练后的S-Net测试组中的样本获得用于下一次迭代中R-Net训练所需伪标签； 步骤3-3、再次按照步骤3-2所述的步骤交替迭代训练R-Net和S-Net，直至训练完成； 上述训练完成的标志为：所有训练样本都被遍历，即所有训练样本都送入到R-Net和S-Net完成训练； 上述步骤3-2中，所述初始值为3；按照步骤3-3每迭代一次，步骤3-2中所述的值比上一次迭代增加2； 上述R-Net整体采用编码器-解码器架构，用以接收主流分支和引导分支的信息，形成双流编码结构；R-Net中还包括带有引导和聚合机制的混合器BGA，用以实现引导阶段和聚合阶段的特征解码； S-Net用于在真实标签监督下对待预测的RGB图片进行显著性检测； 上述R-Net指修正网络，S-Net指显著性预测网络；主流分支指主流修复分支，包括RGB图片和粗糙标签；引导分支指独立的RGB图片引导分支； 上述引导阶段指使用引导分支的信息补充主流分支；聚合阶段指整合相应层的编码器特征、前一层的解码器特征和来自编码器顶层的全局特征。

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北京交通大学，其通讯地址为：100044 北京市海淀区上园村3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。