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！

龙图腾网获悉湖南大学申请的专利一种基于特征聚类的无监督领域自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：CN116468890B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202310390433.1，技术领域涉及：G06V10/26；该发明授权一种基于特征聚类的无监督领域自适应语义分割方法是由张辉;曹意宏;陈煜嵘;刘立柱;杜瑞;肖正;毛建旭;王耀南设计研发完成，并于2023-04-11向国家知识产权局提交的专利申请。

本一种基于特征聚类的无监督领域自适应语义分割方法在说明书摘要公布了：本发明提供了一种基于特征聚类的无监督领域自适应语义分割方法，包括如下步骤：步骤S1、建立有标签的源域场景数据集和无标签的目标域场景数据集；步骤S2、建立基于特征聚类的语义分割模型训练框架；步骤S3、将源域场景数据集的图像和目标域场景数据集的图像分别输入；步骤S4、获得类条件特征映射图，获得源域场景的类条件特征精炼图，获得目标域场景的类条件特征精炼图；步骤S5、计算得到每一个类别的特征聚类质心，再计算损失；步骤S6、参数优化，迭代运行以得到参数优化后的分割网络和评论家网络。本发明聚类质心的偏移小，使在虚拟源域数据上训练的模型性能在实际目标域场景数据上性能好。

本发明授权一种基于特征聚类的无监督领域自适应语义分割方法在权利要求书中公布了：1.一种基于特征聚类的无监督领域自适应语义分割方法，其特征在于，包括如下步骤： 步骤S1、建立有标签的源域场景数据集和无标签的目标域场景数据集；源域场景数据集包括源域场景图像和源域场景语义类别标签，目标域场景数据集包括目标域场景图像； 步骤S2、建立基于特征聚类的语义分割模型训练框架，包括分割网络和评论家网络，所述分割网络获得深层语义特征和分割结果，所述评论家网络获得置信度图，用于评估深层语义特征的可信赖度； 所述分割网络包括特征编码器和类别预测器，所述特征编码器生成深层语义特征，深层语义特征经过所述类别预测器生成分割结果； 步骤S3、将源域场景数据集的场景图像和目标域场景数据集的场景图像分别输入给所述分割网络，分别获得源域场景深层语义特征、源域场景分割结果、目标域场景深层语义特征及目标域场景分割结果； 将所述源域场景深层语义特征及所述目标域场景深层语义特征输入给所述评论家网络，分别获得源域场景置信度图及目标域场景置信度图； 步骤S4、将缩放后的源域场景分割结果映射到源域场景深层语义特征上获得源域场景的类条件特征映射图，将缩放后的目标域场景分割结果映射到目标域场景深层语义特征上获得目标域场景的类条件特征映射图，利用缩放后的源域场景语义类别标签和缩放后的源域场景分割结果获得源域场景的类条件特征精炼图，利用目标域场景的置信度图获得目标域场景的类条件特征精炼图； 步骤S5、利用类条件特征精炼图计算得到每一个类别的特征聚类质心，再基于质心计算域平衡聚集损失、质心分离损失和特征分离损失；步骤S5中计算得到每一个类别的特征聚类质心具体为： 利用源域场景的类条件特征精炼图和目标域场景的类条件特征精炼图，在类条件特征映射图的引导下，对所有的深层语义特征按照如下公式计算每一个类别k的特征聚类质心，表示为 表示为深层语义特征每一个空间位置的类条件特征映射图，表示为目标域场景的类条件特征精炼图在对应空间位置i的权重，ωi表示为源域场景的类条件特征精炼图在对应空间位置i的权重，fi表示为深层语义特征在对应空间位置i的预测类别，Fs表示为源域深层语义特征，Ft表示为目标域深层语义特征,pi表示为分割结果在对应空间位置i的预测类别，P's为缩放后的源域分割结果，P't表示为缩放后的目标域分割结果，k表示某一个类别； 步骤S6、构建分割网络总损失对分割网络进行参数优化，构建评论家网络总损失对评论家网络进行参数优化，迭代运行以得到参数优化后的分割网络和评论家网络。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路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。