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！

龙图腾网恭喜浙江大学申请的专利基于迭代域内适应和自训练的跨域遥感图像语义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：CN114708434B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202210402338.4，技术领域涉及：G06V10/26；该发明授权基于迭代域内适应和自训练的跨域遥感图像语义分割方法是由尹建伟;蔡钰祥;杨莹春;尚永衡;陈振乾;沈正伟设计研发完成，并于2022-04-18向国家知识产权局提交的专利申请。

本基于迭代域内适应和自训练的跨域遥感图像语义分割方法在说明书摘要公布了：本发明公开了一种基于迭代域内适应和自训练的跨域遥感图像语义分割方法，包括源域‑目标域域间域适应模型训练、目标域类别分割概率以及伪标签生成、目标域图像分割概率可信度得分排序、目标域域内迭代域适应模型训练和目标域分割结果生成。本发明利用源‑目标域域间域适应减小了源‑目标域域间差异，同时利用目标域域内域适应减小了目标域域内差异，提高了跨域遥感图像语义分割模型的准确率，进一步通过提出的基于分割概率可信度对目标域图像进行分类和排序从而挑选出分割效果好的预测结果作为伪标签，同时提出新的伪标签筛选策略去掉伪标签中极有可能出错的像素点，从而避免了目标域内自训练时伪标签错误所带来的影响。

本发明授权基于迭代域内适应和自训练的跨域遥感图像语义分割方法在权利要求书中公布了：1.一种基于迭代域内适应和自训练的跨域遥感图像语义分割方法，包括如下步骤：1利用源域图像xs、源域标签ys、源域语义分割模型FS以及目标域图像xt训练出源域-目标域域间语义分割模型Finter，具体实现过程如下：1.1利用源域图像xs和源域标签ys训练出源域语义分割模型FS；1.2利用源域图像xs以及目标域图像xt训练源-目标域图像双向转换器，其包含源→目标方向的图像转换器和目标→源方向的图像转换器；1.3对于上述训练过程中生成的所有图像转换器的中间保存模型，从中选择一组最优的结果作为源→目标方向的图像转换器GS→T和目标→源方向的图像转换器GT→S；1.4利用图像转换器GS→T将源域图像xs从源域转换到目标域，得到拟目标域图像GS→Txs；1.5利用拟目标域图像GS→Txs和源域标签ys训练出源域-目标域域间语义分割模型Finter；2将目标域图像xt输入至源域-目标域域间语义分割模型Finter中，得到目标域图像xt的类别分割概率Pt，进而利用类别分割概率Pt通过以下公式计算出分割概率可信度St和目标域伪标签 其中：H和W分别为目标域图像xt的长度和宽度，C为目标域图像xt的分割类别数量，表示目标域图像xt中坐标为h,w的像素点对应类别ci的分割概率，ci表示第i个类别，i为自然数且1≤i≤C，θ为用于度量像素点各类别分割概率之间似然度的函数，表示目标域伪标签中坐标为h,w的像素点的类别，表示目标域图像xt中坐标为h,w的像素点对应类别c的分割概率，μc为类别c对应的分割概率阈值，表示目标域图像xt中坐标为h,w的像素点的分割概率混乱度，v为分割概率混乱度阈值，δ为用于度量像素点各类别分割概率之间混乱程度的函数；3将所有目标域图像xt根据分割概率可信度St大小进行降序排列，进而根据排列次序将所有目标域图像xt平均分成K个目标域图像子集K为大于1的自然数；4利用分割概率可信度最高的一组目标域图像子集及其对应的伪标签子集以及源域-目标域域间语义分割模型Finter和目标域图像子集迭代训练出目标域域内语义分割模型Fintra，具体实现过程如下：4.1初始将分割概率可信度最高的一组目标域图像子集及其对应的伪标签子集作为训练集及其对应的标签集将源域-目标域域间语义分割模型Finter作为目标域域内语义分割模型4.2利用训练集标签集目标域域内语义分割模型以及目标域图像子集训练出目标域域内语义分割模型k为自然数且2≤k≤K；4.3将目标域图像子集输入至目标域域内语义分割模型中，得到对应的类别分割概率进而利用该类别分割概率计算出目标域图像子集的伪标签子集4.4将目标域图像子集及其伪标签子集分别加入到训练集和标签集中；4.5令k＝k+1；4.6重复执行步骤4.2～4.5，直至k＝K，训练得到目标域域内语义分割模型即作为目标域域内语义分割模型Fintra；5将目标域图像xt输入至目标域域内语义分割模型Fintra中，即可得到目标域图像xt最终的类别分割概率P及分割结果map。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。