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！

龙图腾网获悉厦门大学申请的专利一种基于自适应域学习的弱监督目标定位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：CN116433982B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202310433819.6，技术领域涉及：G06V10/764；该发明授权一种基于自适应域学习的弱监督目标定位方法是由曹刘娟;陈志威;王思伟设计研发完成，并于2023-04-21向国家知识产权局提交的专利申请。

本一种基于自适应域学习的弱监督目标定位方法在说明书摘要公布了：一种基于自适应域学习的弱监督目标定位方法，涉计算机视觉技术。模型训练阶段：步骤1，对待检测的图片进行预处理，然后将预处理后待检测的图片及其对应的类别送入神经网络；步骤2，神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值。模型测试阶段：在测试过程中输出待检测图片预测的框的坐标、类别、得分。ALM诱导网络对抗性地以最大程度生成图片的前景和背景，OLM在此基础上细化前景和背景，获得精细化的物体与背景信息。对于前背景区分效果不理想的图片，RLM提取前景中的关键信息，使网络对其进一步学习。在CUB‑200‑2011和ILSVRC数据集上实验，可实现显著和一致的性能改进。

本发明授权一种基于自适应域学习的弱监督目标定位方法在权利要求书中公布了：1.一种基于自适应域学习的弱监督目标定位方法，其特征在于包括如下步骤： 1对待检测的图片进行预处理，将预处理后待检测的图片及其对应的图片级别的标签送入神经网络；所述神经网络包括：主干特征提取网络、对抗学习模块ALM、定向学习模块OLM和增强学习模块RLM； 2神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值；在测试过程中输出待检测图片预测的框的坐标、类别、得分；对抗学习模块ALM诱导网络对抗性地以最大程度生成图片的前景和背景，定向学习模块OLM在此基础上细化前景和背景，获得精细化的物体与背景信息； 所述神经网络对图片进行处理，包括如下步骤： 步骤a1，给定带有图像级别标签的数据集集合，将集合划分为训练图片样本集和测试图片样本集； 步骤a2，从训练图片样本集中任意选取图像I，将该图像I，以及其对应的图像级别的标签y输入神经网络的浅层特征提取主干网络得到网络关于图像浅层特征的输出 步骤a3，浅层特征经过生成器网络，得到前景预测图Xfpm； 步骤a4，根据标签y确定该图像对应类的前景预测图Mfpm，并对其进行取反操作得到对应的背景预测图Mbpm； 步骤a5，浅层特征继续经过神经网络的深层特征提取主干网络获得图像特征通过全局平均池化得到图像分类损失同时，通过与Mfpm进行逐点相乘获得前景特征后，再经过全局平均池化得到前景分类损失 步骤a6，与Mbpm进行逐点相乘获得背景浅层特征后，再通过深层特征提取主干网络获得背景图像特征Xbg，之后减去Xbg得到前景图像特征Xfg；对Xfg和Xbg应用对抗学习模块ALM自适应地激活目标所在区域，具体操作为： 其中，h,w表示特征图对应的高和宽，i,j表示特征图中的第i行，第j列的值，Γ*操作表示根据标签y选择图像对应类的特征图，ξ取一个很小的数值，用于避免等式无意义的情况，λ5是一个超参数； 步骤a7，对前景预测图Mfpm展平并按照降序排序得到一维向量Vfpm，再送入定向学习模块OLM计算损失： 其中，L表示向量Vfpm的长度，mf和mb分别表示最小前景区域比例和最大背景区域比例，和分别表示向量Pf和向量Pb的第i个元素； 步骤a8，由前景和背景的图像特征Xfg和Xbg各自经过全局平均池化和Softmax操作分别得到分类得分Sfg和Sbg，增强学习模块RLM将根据这两个得分计算损失： 步骤a9，网络的总损失计算为： 其中，λ1-λ4为四个损失的权重； 步骤a10，在测试阶段，图像输入网络获得前景预测图Xfpm，根据预测的类别结果选取Top-k个预测图，对其取平均值得到定位图Mloc，使用线性插值的方法将Mloc调整为原图大小后取能完全覆盖前景像素的最小边框作为定位结果。

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厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422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”。