買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉寧波博登智能科技有限公司申請的專利基于混合學習框架的半監督目標檢測模型訓練方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120449974B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510951711.5，技術領域涉及：G06N3/0895；該發明授權基于混合學習框架的半監督目標檢測模型訓練方法及系統是由周佳瑩;彭成斌;趙捷;姚保琛設計研發完成，并于2025-07-10向國家知識產權局提交的專利申請。

本基于混合學習框架的半監督目標檢測模型訓練方法及系統在說明書摘要公布了：本發明提供了一種基于混合學習框架的半監督目標檢測模型訓練方法及系統。所述方法包括：獲取教師模型和學生模型；獲取訓練集；將任一有標簽數據進行強增強操作輸入學生模型中獲得有標簽檢測結果；計算有監督損失；將無標簽數據分別進行弱增強操作和強增強操作輸入教師模型中進行檢測生成偽標簽，輸入學生模型中進行檢測獲得無標簽檢測結果；提取偽負標簽；計算偽標簽損失、偽負標簽損失，組成無監督損失；迭代更新學生模型和教師模型的參數。本發明所提供的混合學習策略中，正學習增強模型對目標的定位準確性；負學習有效提高無標簽數據利用率的同時，降低了偽標簽中噪聲的傳播，最終顯著提高了訓練效率和模型檢測的準確性。

本發明授權基于混合學習框架的半監督目標檢測模型訓練方法及系統在權利要求書中公布了：1.一種基于混合學習框架的半監督目標檢測模型訓練方法，所述目標檢測模型至少用于進行圖像目標檢測和分類，其特征在于，包括： 獲取結構相同的第一基礎模型和第二基礎模型并分別作為教師模型和學生模型；獲取訓練集，所述訓練集包括有標簽數據及其對應的真值標簽，以及無標簽數據，所述有標簽數據和無標簽數據均為圖像； 將任一所述有標簽數據進行強增強操作，獲得有標簽增強結果，將所述有標簽增強結果輸入所述學生模型中進行檢測，獲得有標簽檢測結果； 基于所述有標簽檢測結果及所述有標簽數據對應的真值標簽計算有監督損失； 將任一所述無標簽數據分別進行弱增強操作和強增強操作，分別獲得無標簽弱增強結果和無標簽強增強結果； 將所述無標簽弱增強結果輸入所述教師模型中進行檢測，生成偽標簽；將所述無標簽強增強結果輸入所述學生模型中進行檢測，獲得無標簽檢測結果； 根據偽標簽的分數將所述偽標簽劃分為可靠偽標簽和不確定偽標簽，在多個所述不確定偽標簽中提取偽負標簽，所述偽負標簽的分類可靠性高于所述不確定偽標簽的平均分類可靠性； 基于所述可靠偽標簽和所述無標簽檢測結果的一致性計算所述學生模型的偽標簽損失，基于所述偽負標簽和所述無標簽檢測結果的負一致性計算所述學生模型的偽負標簽損失，所述偽標簽損失和所述偽負標簽損失組成無監督損失，所述無監督損失的計算方式表示為： ； 其中，表示所述無監督損失，表示無監督分類損失值，表示無監督邊界框回歸損失值，表示無監督置信度損失值，表示偽負分類損失值； 所述偽負分類損失值的損失函數為： ； 其中，表示所述偽負分類損失值，表示被選為偽負標簽的部分所述偽標簽中的分類預測結果；表示所述無標簽檢測結果中的分類預測部分；表示所述偽負標簽被篩選為全部所述偽標簽中且的部分，、、分別為對應的預設值；表示負交叉熵損失； 以所述有監督損失和無監督損失線性加和作為總損失，迭代更新所述學生模型的參數，且基于所述學生模型的參數，利用移動平均的方法迭代更新所述教師模型的參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人寧波博登智能科技有限公司，其通訊地址為：315000 浙江省寧波市高新區寧波新材料創新中心東區2幢22號5-1-1室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。