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！

龙图腾网获悉杭州电子科技大学申请的专利局部一致性引导的稀疏标签增强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：CN121686119B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202610195601.5，技术领域涉及：G06V10/764；该发明授权局部一致性引导的稀疏标签增强方法是由秦宏帅;吴建锋;刘复旦设计研发完成，并于2026-02-11向国家知识产权局提交的专利申请。

本局部一致性引导的稀疏标签增强方法在说明书摘要公布了：本发明提供了一种局部一致性引导的稀疏标签增强方法，适用于道路可行驶区域检测，属于图像技术领域。本发明方法旨在解决现有深度学习模型对大量像素级标注数据的依赖问题，首先对输入图像进行稀疏标注，并依据局部与全局图像表示构建上下文增强特征，建立超像素节点之间的相似性关系；随后基于图卷积网络构建标签传播模型，将稀疏标签传播至未标注区域以生成伪标签。其中，本发明采用局部一致性引导的弱监督训练策略，设计联合损失函数，对已标注区域和未标注区域进行协同监督，从而提升伪标签的可靠性与整体分割精度。实验结果表明，本发明可适用于多种道路可行驶区域检测任务，所得高质量像素级伪标签能够用于后续的全监督模型训练。

本发明授权局部一致性引导的稀疏标签增强方法在权利要求书中公布了：1.一种局部一致性引导的稀疏标签增强方法，其特征在于，所述方法包括以下步骤： S1，数据集的标注：以稀疏标注的方式对数据集进行标注，仅在图像中选取少量像素或区域作为已标注样本，其余区域保持未标注状态； S2，上下文增强特征构建：首先对S1标注后的输入图像进行平滑预处理，其次基于像素间特征相似性构建超像素间的邻接关系，形成超像素图像，最后对每个超像素节点提取其自身特征并计算其与邻域超像素之间的上下文差异特征，形成用于后续图卷积学习的节点上下文增强特征； S3，标签增强网络构建：接收S2构建的特征，以超像素为图节点、以超像素的上下文增强特征为图边构建图卷积网络，利用图卷积网络传播稀疏标签信息，使标签从已标注超像素向未标注超像素扩散，从而生成初步的像素级伪标签； S4，局部一致性引导的弱监督训练策略：建立局部一致性引导的联合损失监督函数训练S3构建的标签增强网络，包含已标注区域的监督项与未标注区域的伪标签局部一致性监督项和确定性监督项，通过迭代训练，更大程度地利用可靠稀疏标签与伪标签可靠信息提升伪标签质量，实现高质量的像素级伪标签生成； 所述S4，局部一致性引导的弱监督训练策略包括： 建立局部一致性引导的联合损失监督函数，包含已标注区域的监督项与未标注区域的监督项；已标注区域的监督项采用部分交叉熵损失函数；未标注区域的监督项采用局部一致性损失函数和确定性损失函数； 局部一致性引导的联合损失为已标注区域的监督项和未标注区域的监督项的加权和： ； 其中，为超参数，用于平衡不同损失的贡献； 已标注区域的监督项采用部分交叉熵损失： ； 其中，指标签类别数，为已标注节点集合，为节点属于类别的预测标签，为节点属于类别的真实标签； 未标注区域的监督项为： ； 其中，、为超参数，用于平衡不同损失的贡献； 确定性损失： ； 其中，是指未标注节点集合，表示节点在类别中的预测概率； 局部一致性损失基于特征-空间联合权重与近邻相似分数监督节点与其近邻的局部一致性； 定义为特征-空间联合权重： ； 其中，代表节点的上下文增强特征，代表节点的空间坐标，和是高斯核的尺度，分别控制特征与距离的相似度衰减尺度，是L2距离； 定义为近邻相似分数： ； 其中，为节点与其近邻节点的差异强度，当接近0时，近似为1，当时值较大时，近似为0； 局部一致性损失为： ； 其中，是以节点为中心的近邻集合，为一个防止除零的超参数，是节点的预测标签，是L1距离。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区；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。