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！

龙图腾网获悉桂林电子科技大学申请的专利基于不确定性引导的半监督图像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：CN116894948B 。

龙图腾网通过国家知识产权局官网在2026-01-20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：202310970392.3，技术领域涉及：G06V10/26；该发明授权基于不确定性引导的半监督图像分割方法是由许睿;周南;潘细朋设计研发完成，并于2023-08-03向国家知识产权局提交的专利申请。

本基于不确定性引导的半监督图像分割方法在说明书摘要公布了：本发明公开了一种基于不确定性引导的半监督图像分割方法，包括如下步骤1数据预处理；2经过两个对等分割网络得到预测结果；3不确定性估计、求动态权重；4优化模型训练。这种方法能实现抗噪性训练，减少伪标注噪声给模型带来的分割性能下降的问题。

本发明授权基于不确定性引导的半监督图像分割方法在权利要求书中公布了：1.一种基于不确定性引导的半监督图像分割方法，其特征在于，包括如下步骤： 1数据预处理：数据预处理包括： 1-1采用自然图像的公开分割数据集PASCALVOC2012和Cityscapes，将PASCALVOC2012中的图像尺寸大小设定为321*321，将Cityscapes中的图像尺寸大小设定为720*720； 1-2将数据集划分成有标注数据和没有标注的无标注数据，有标注数据分别为数据集中116、18、14及12四种，数据集中对应的剩余数据为无标注数据； 1-3对有标注图像做弱数据增强，弱数据增强为在0.5和2.0之间随机翻转和调整训练图像的大小；对无标注图像进行强数据增强，采用颜色抖动、灰度化、随机裁剪，对有标注图像进行的弱数据增强和对无标注图像做的强数据增强都是采用pytorch框架提供的随机数函数，为每一个数据增强操作，生成一个概率值p，当p0.5，那么执行对应的数据增强操作，否则不进行相应的数据增强； 2经过两个对等分割网络得到预测结果：两个对等分割网络初始化权重不同、结构相同均采用带有空洞卷积的DeepLabV3+，DeepLabV3+由编码器和主解码器构成，主干网络为预训练的ResNet101，标注和无标注的图像馈送到具有相同结构但不同初始化的两个对等分割网络DeepLabV3+中，接下来，采用卷积神经网络CNN进行特征提取，DeepLabV3+采用深层的卷积神经网络，ResNe101来学习图像中的高级特征表示，最后，采用解码器将高级特征映射转换为像素级别的语义分割结果，并通过分类器对每个像素进行分类，具体为： 2-1采用步骤1中划分好的有标注和无标注数据集，记有标注数据集为无标注数据集为其中，N＜＜M； 2-2对于给定的输入图像xi，送入对等模型DeepLabV3+，生成两个预测概率图p1和p2，p1和p2分别作为两个并行对等分割网络的输出，概率图表示在softmax归一化之后属于不同类别的每个像素的预测概率： 两个对等分割网络具有相同的网络结构，但具有不同的权重初始化参数，分别表示为和和分别表示由DeepLabV3+组成的两个对等分割网络； 2-3对步骤2-2中得到的预测概率p1和p2，求一个argmax操作，得到用于交叉教学的伪标注，如公式2所示： 3不确定性估计、求动态权重：根据对等网络预测概率图p1和p2的差异，进行不确定性估计，并求动态权重，包括： 3-1将两个对等网络分割的概率图p1和p2进行比较来量化分歧，其中较大的分歧表明可能存在错误、并对应于较低的权重值，其中不确定性图的计算如公式3所示： U＝|Maxp1-Maxp2|3， 其中，U表示不确定性图，Max表示求p1和p2对应位置的最大值函数； 3-2根据步骤3-1求得的不确定性图U，进一步得到动态权重图，如公式4所示： Weight＝1-Uλ4， U表示不确定性图，范围从0到1，Weight是权重图，λ控制权重的可变性范围； 4优化模型训练：根据有监督损失函数和动态交叉损失函数，优化模型训练，优化函数包括监督损失Ls和动态交叉教学损失Lct两个损失函数，即： 4-1对于有标注的数据，依据两个对等过程的有标注图像上的标准像素交叉熵损失来公式化监督损失Ls如公式5所示： 其中lce是交叉熵损失函数，yij是真实标注，W和H表示输入图像的宽度和高度，而ω应用于有标注图像弱增强函数，在0.5和2.0之间随机翻转和调整训练图像的大小； 4-2对于无标注数据，采用不确定性引导的动态交叉教学损失Lct进行训练如公式6所示： 其中s表示应用于无标注图像的强数据增强函数； 4-3总损失函数Ltotal如公式7所示： Ltotal＝Ls+λLct7， 其中，λ是超参数，取值是0-1之间。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市金鸡路1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。