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！

龙图腾网恭喜上海交通大学申请的专利一种基于区域特征对齐的无监督域适应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：CN113936275B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202111196859.0，技术领域涉及：G06V20/70；该发明授权一种基于区域特征对齐的无监督域适应语义分割方法是由庄楚云;周千寓;鲁学权;马利庄设计研发完成，并于2021-10-14向国家知识产权局提交的专利申请。

本一种基于区域特征对齐的无监督域适应语义分割方法在说明书摘要公布了：本发明涉及一种基于区域特征对齐的无监督域适应语义分割方法，该方法包括：训练学生‑教师模型：将源域图片输入到学生模型中得到分割预测结果，将源域图片的分割预测结果和源域标签进行交叉熵损失计算，对源域图片和目标域图片的像素点做基于类别的融合，得到的第一融合图片经过学生模型的分割预测结果和第一融合图片的伪标签进行一致性损失的计算，对源域图片和目标域图片的像素点做基于区域的融合，对第二融合图片和目标域图片进行区域特征对齐获取对比损失，计算三类损失的梯度，反传梯度更新学生模型的参数，同时更新教师模型的参数；采用训练的教师模型对目标域图片进行语义分割。与现有技术相比，本发明分割效果的鲁棒性和稳定性大大提高。

本发明授权一种基于区域特征对齐的无监督域适应语义分割方法在权利要求书中公布了：1.一种基于区域特征对齐的无监督域适应语义分割方法，其特征在于，该方法包括：训练学生-教师模型：将源域图片输入到学生模型中得到分割预测结果，将源域图片的分割预测结果和源域标签进行交叉熵损失计算，对源域图片和目标域图片的像素点做基于类别的融合，得到的第一融合图片经过学生模型的分割预测结果和第一融合图片的伪标签进行一致性损失的计算，对源域图片和目标域图片的像素点做基于区域的融合，对第二融合图片和目标域图片进行区域特征对齐获取对比损失，计算交叉熵损失、一致性损失和对比损失的梯度，反传梯度更新学生模型的参数，并使用指数滑动平均法更新教师模型的参数；采用训练的教师模型对目标域图片进行语义分割；对第二融合图片和目标域图片进行区域特征对齐获取对比损失的具体方式包括：将目标域图片输入至教师模型，得到的分割预测结果作为目标域图片的伪标签；将第二融合图片输入至学生模型，基于源域标签和目标域图片的伪标签获取第二融合图片的伪标签；采用教师模型投影结构对目标域图片在教师模型主干网络处提取的特征进行投影处理得到目标域图片的投影向量；采用学生模型投影结构对第二融合图片在学生模型主干网络处提取的特征进行投影处理得到第二融合图片的投影向量；对目标域图片的投影向量和第二融合图片的投影向量之间的重叠区域进行特征对齐，获取第二融合图片的投影向量上重叠区域的对比损失；获取第二融合图片的投影向量上重叠区域的对比损失的具体方式为：对第二融合图片的投影向量重叠区域的每个位置分别筛选正负样本；基于筛选的正负样本，计算第二融合图片中重叠区域各个位置投影向量的对比损失并求和得到该重叠区域的对比损失；筛选正负样本的方式包括：对于重叠区域中的每个位置，其正样本包括目标域图片相同位置的投影向量，根据教师模型对目标域图片在该位置处的分割预测结果的预测概率大小筛选该位置是否参与重叠区域对比损失的计算，若教师模型对目标域图片在该位置处的分割预测结果的预测概率大于设定阈值，则对应位置参与重叠区域对比损失的计算，进而筛选该位置对应的负样本，所述的负样本包括目标域图片以及第二融合图片中其他位置且与当前筛选位置不属于同一标签类别位置处对应的投影向量，所述的负样本还包括历史迭代过程中产生的负样本；对比损失通过下式获得： 其中，表示第二融合图片中重叠区域内位置i，j处投影向量Em2i,j的对比损失，为投影向量Em2i,j对应的正样本投影向量，Em,n为投影向量Em2i,j对应的负样本投影向量，N表示投影向量Em2i,j对应的负样本集合，P为筛选的参与对比损失计算的位置集合，NUM为集合P中参与对比损失计算的位置的总数，exp为指数运算，simu,v＝uTv||u||||v||，simu,v表示投影向量u和v的余弦相似度，τ为参数因子。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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”。