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！

龙图腾网获悉重庆大学申请的专利一种自动驾驶环境下的不确定性感知半监督目标检测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：CN119649326B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202411687900.8，技术领域涉及：G06V20/56；该发明授权一种自动驾驶环境下的不确定性感知半监督目标检测方法是由王科;周鹏;黄怡;陈凯设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本一种自动驾驶环境下的不确定性感知半监督目标检测方法在说明书摘要公布了：本发明公开一种自动驾驶环境下的不确定性感知半监督目标检测方法，包括步骤：S1、通过有标签数据的监督学习，利用数据增强和不确定性损失函数得到具有预测不确定性能力的教师模型；S2、教师模型利用无标签数据推理生成模糊伪标签；S3、以模糊伪标签作为学生模型的学习目标，量化教师和学生模型的不确定性输出的相似性。解决了现有半监督目标检测任务中缺乏引入不确定性机制来应对标签匮乏导致的算法检测性能降低的问题。

本发明授权一种自动驾驶环境下的不确定性感知半监督目标检测方法在权利要求书中公布了：1.一种自动驾驶环境下的不确定性感知半监督目标检测方法，其特征在于，包括步骤： S1、对有标签数据的监督学习，利用数据增强和不确定性损失函数得到具有预测不确定性能力的教师模型； S2、教师模型利用无标签数据推理生成模糊伪标签；有标签数据和无标签数据均为图像数据； S3、以模糊伪标签作为学生模型的学习目标，量化教师和学生模型的不确定性输出的相似性； 对于步骤S1，在教师模型训练中引入不确定性，将模型参数视为参数分布，将模型似然转化为高斯似然，模型的每个输出都由相同的概率分布独立生成，如下公式所示： 其中表示监督过程中输入的有标签样本，而表示教师模型输出的含有不确定性的结果； 教师模型得到的边界框回归结果表示为，主要预测了边界框的中心坐标和整体框的尺寸，同时对每个回归结果都进行了相应的编码； 对上述回归结果的不确定性进行建模： 设回归结果里的每个参数服从高斯分布，预测结果的方差为，根据极大似然估计理论，如下公式所示对教师模型的参数进行优化： ； 其中ω表示神经网络模型参数， ω*表示优化后的参数，采用最大化条件概率argmax， y表示输出变量， x表示输入变量， py∣x,w表示概率密度函数， 首先进行的是离散化，变为连乘的形式，然后取自然对数来处理乘积形式的概率密度函数logpy∣x,w，最后采用高斯分布的概率密度函数形式，其中fx表示教师模型预测的均值，yi为样本真值，σi2为方差； 教师模型训练的不确定性损失函数设计如下公式所示： ； 不确定性损失函数Lvl计算的是样本真值yi与预测值fwxi之间的差异的总和，并通过指数衰减权重exp−αi调整每个样本的影响，其中αi表示不确定性指数； 不确定性损失函数针对四个边界框坐标参数进行回归拟合，包含两个部分：一是通过教师模型采用随机样本获得的残差回归项，二是利用参数的不确定性的正则化项； 教师模型利用无标签数据推理生成模糊伪标签详细步骤包括： S201、伪标签与自训练：伪标签学习引入以半监督方式训练深度神经网络的方法在无标签数据上通过生成代理标签来增强学习过程，使用预测函数或伪标签的变体直接推理生成而无需任何监督训练；将代理标签与有标签数据一起当作训练目标，挖掘出额外的有用信息，对半监督模型训练过程进行补充和完善； S202、定义模糊伪标签：教师模型输入的无标签数据进行直接推理得到模糊伪标签，得到的模糊伪标签也具有不确定性；对模糊伪标签进行不确定性回归表示为：；其中，是模糊伪标签的边界框坐标，是关于具体参数的同源不确定性； S203、不确定性融合机制：将预测出的回归不确定性和定位两种信息分别进行融合； 量化教师和学生模型的不确定性输出的相似性计算公式： 是针对无监督过程中教师模型和学生模型损失函数的整体描述； 第一部分是求和符号，它对从i=1到N的每个i值计算函数Lfx,v,w的值，并将这些值相加起来，L表示教师模型进行监督学习生成伪标签的损失函数，使用交叉熵损失函数；其中，N表示有标签样本总数；f表示教师模型；x表示监督学习的第i个输入样本；v表示教师模型的不确定性；w表示教师模型权重； 第二部N为无标签图像样本总数，L表示无标签数据的无监督损失，同样采用封装好的交叉熵损失函数，*代表教师模型推理出的伪标签，γ是有监督和无监督损失之间的权重系数，x上的u代表无标签输入，v表示学生模型的不确定性；w表示学生模型权重； 将模糊伪标签的数据不确定性和学生模型的不确定性相结合，基于KL散度的理论，量化两个模型的输出分布的相似度作为进行二次训练的优化目标： KLD表示Kullback-Leibler散度，衡量两个概率分布之间差异的非对称度量，其中pt*y∣x表示教师模型在给定x输入下，对y的概率密度函数，py∣x表示学生模型在给定x输入下，对y的概率密度函数； logpt*y∣xpy∣x是两个概率的对数比值，它主要对两个概率函数输出进行比较，随后对教师模型概率乘以其相对于学生模型分布的差异的自然对数值进行积分求得KL散度，KL散度为零表示两个分布完全相同；非零值则表明它们之间存在差异，且值越大，差异越显著； 相应的无监督过程中的不确定性损失函数设计如下： 其中，是无监督训练中的相对不确定性表征，结合输出的两种方差作为不确定性的最终描述； Lvu表示将教师模型和学生模型的不确定性相似度纳入损失函数进行评估；其中σs，j表示教师模型第j个输出的不确定性；σt*，j表示学生模型第j个输出的不确定性；前者与后者的-1次方相乘求得相对的不确定性表征；ft*，jx表示经过无监督学习的教师模型在x输入下的输出；fs，jx表示学生模型在x输入下的输出，二者求绝对值的平方； 整个不确定性感知半监督目标检测方法中采用椭圆旋转和随机复制这两种数据增强方法， 利用内接椭圆来代替外接矩形拟合物体形状； 在对图片进行旋转后，取旋转后边界框的最大内接椭圆的外接矩形作为增强后的标签，最大的内接椭圆是基于边界框定位信息生成，具体计算方程为： ； 上述公式是椭圆的标准方程之一，定义了一个以点cx,cy为中心，水平半轴长为2w和垂直半轴长为2h的椭圆，通过边界框定位信息[cx，cy，w，h]计算出其最大内接椭圆； 通过随机旋转角度动态优化和更新IoU阈值的方法，满足阈值要求，按照模糊伪标签的不确定性融合机制中描述的方案进行下一步的融合和损失计算； IoU的不确定性阈值更新公式为： ； Thrθ表示输入为θ下，求得的IoU不确定性阈值，θ0是“对应最低IoU阈值为0.5的初始旋转角度参数”，当θ=θ0时，Thrθ=0.5；在0-π2上，θ小于θ0，大于0时，θ变小，sin2θ变小，分母为定值，故平方项整体变小，Thrθ变大； 其中θ是旋转角度，是对应最低IoU阈值，为0.5的初始旋转角度参数。

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重庆大学，其通讯地址为：400000 重庆市沙坪坝区正街174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。