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！

龙图腾网获悉武汉大学申请的专利基于候选标签集的语义分割域适应标签纠正方法及装置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：CN115830324B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202211573989.6，技术领域涉及：G06V10/26；该发明授权基于候选标签集的语义分割域适应标签纠正方法及装置是由肖晶;陈文益;张真;贺莹凯设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本基于候选标签集的语义分割域适应标签纠正方法及装置在说明书摘要公布了：本发明提供一种基于候选标签集的语义分割域适应标签纠正方法及装置。该方法包括：利用晴天图像集以及晴天图像集中每张晴天图像对应的标签，采用有监督的语义分割训练策略对预设模型进行预训练，得到预训练模型；通过预训练模型对雾天图像集中的雾天图像进行语义分割，按照可信度从大到小的顺序对语义分割结果进行排序，以排序在前预设比例的语义分割结果为可信伪标签，对所述可信伪标签进行扩充，得到候选标签集；通过候选标签集对扩充后的伪标签进行实时纠正并对预训练模型进行训练，得到语义分割模型；基于所述语义分割模型执行语义分割任务。通过本发明，解决了雾天场景下的语义分割域适应问题，具有简单、有效、精度高、易于实现的特点。

本发明授权基于候选标签集的语义分割域适应标签纠正方法及装置在权利要求书中公布了：1.一种基于候选标签集的语义分割域适应标签纠正方法，其特征在于，所述基于候选标签集的语义分割域适应标签纠正方法包括： 利用晴天图像集以及晴天图像集中每张晴天图像对应的标签，采用有监督的语义分割训练策略对预设模型进行预训练，得到预训练模型，其中，预设模型包含特征降维投影网络以及语义分割网络，所述语义分割网络为基于U-Net的派生网络； 通过预训练模型对雾天图像集中的雾天图像进行语义分割，按照可信度从大到小的顺序对语义分割结果进行排序，以排序在前预设比例的语义分割结果为可信伪标签，对所述可信伪标签进行扩充，得到候选标签集； 通过候选标签集对扩充后的伪标签进行实时纠正并对预训练模型进行训练，得到语义分割模型； 基于所述语义分割模型执行语义分割任务； 雾天图像集为，且，其中，表示第i张雾天图像，为雾天图像集，表示图像颜色通道数，h和w分别表示雾天图像的长度和宽度大小，表示雾天图像集的大小，R表示实数集，按照可信度从大到小的顺序对语义分割结果进行排序，以排序在前预设比例的语义分割结果为可信伪标签，对所述可信伪标签进行扩充，得到候选标签集的步骤包括： 按照语义分割结果的可信度，将雾天图像的语义分割结果划分为三种区域，三类区域的划分方式如下： 其中，1、2、3分别表示第一类型候选标签区域、第二类型候选标签区域、第三类型候选标签区域，表示像素点p属于哪一类型候选标签区域，表示像素的语义类别为第类，为模型参数，表示像素p预测为第类的概率，表示第i个超像素块，表示像素点p预测结果中置信度最大的分量，为预设比例，表示像素点q预测结果中置信度最大的分量，表示像素点p和q都属于； 以第1类型候选标签区域的每个像素的预测置信度中排名前1个类别对应的标签为其候选标签集、以第2类型候选标签区域的每个像素的预测置信度中排名前3个类别对应的标签为其候选标签集、以第3类型候选标签区域的每个像素的预测置信度中排名前5个类别对应的标签为其候选标签集； 通过候选标签集对扩充后的伪标签进行实时纠正并对预训练模型进行训练，得到语义分割模型的步骤包括： 步骤3.1，将输入预训练模型中，经过编码器，再分别经过特征降维投影网络得到特征，以及分类网络得到语义分割结果，其中，表示第i张雾天图像经过编码器以及分类网络得到语义分割结果的过程； 步骤3.2，依据第一公式计算每个类别的原型，每个类别原型表示为，其中表示第c类别的原型，类别指语义分割对应的预测的类别，原型指类别的平均特征，第一公式为： 其中，表示第i张雾天图像的第p个像素的特征，表示像素p的软标签中第c类的概率，表示指示函数，当括号内结果大于0时为1，否则为0； 步骤3.3，根据原型与的特征对软标签进行纠正，如下公式所示： 其中，表示像素p的候选标签集，表示类别c对于像素p的权重，表示欧式距离； 步骤3.4，基于更新后的软标签计算交叉熵损失以及对比学习损失，两种损失分别如下： 其中，表示第i张雾天图像的第p个像素的特征，且p不属于第3类型候选标签区域；表示特征的正样本，表示的负样本；表示负样本集合，即所有不属于第3类型候选标签区域的像素q，且像素q的可信度最高的类别不在像素p的候选标签集中的像素的集合；表示自然对数的底数e的指数运算； 步骤3.5，对于晴天图像集，计算对应的标准的交叉熵损失，与步骤5.4的交叉熵损失以及对比学习损失相加后，通过梯度下降的算法进行反向传播，使得预训练模型得到优化； 步骤3.6，对于每一张雾天图片都进行上述步骤3.1至3.5的操作，得到语义分割模型。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山；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。