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！

龙图腾网获悉福州大学申请的专利基于双向匹配的无监督域适应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：CN115620091B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202211388976.1，技术领域涉及：G06V10/774；该发明授权基于双向匹配的无监督域适应方法是由柯逍;卞永亨设计研发完成，并于2022-11-03向国家知识产权局提交的专利申请。

本基于双向匹配的无监督域适应方法在说明书摘要公布了：本发明提出一种基于双向匹配的无监督域适应方法，包括以下步骤：步骤S1：将源域和目标域的图像数据进行混合，对混合后的图像进行随机旋转等操作进行数据增强；步骤S2：通过基于置信度的机器学习方法对神经网络进行训练；通过一致性正则化保证模型收敛的稳定性；步骤S3：通过对目标域模型微调保证目标域模型的可靠性；步骤S4：进行模型推理，并通过设置阈值保证推理结果的稳定性。本发明为解决域适应的问题，通过两个模型互相学习的方式提高模型整体准确度，通过一致性正则化防止模型收敛过程中过拟合，在推理过程中通过设置阈值，保证结果的可靠性，使得整个网络结果能取得更加准确的域适应效果。

本发明授权基于双向匹配的无监督域适应方法在权利要求书中公布了：1.一种基于双向匹配的无监督域适应方法，其特征在于，包括以下步骤： 步骤S1：将源域和目标域的图像数据进行混合，对混合后的图像进行包括随机旋转的操作进行数据增强； 步骤S2：通过基于置信度的机器学习方法对神经网络进行训练；在训练的过程中，通过一致性正则化保证模型收敛的稳定性； 步骤S3：通过对目标域模型微调保证目标域模型的可靠性； 步骤S4：进行模型推理，并通过设置阈值保证推理结果的稳定性； 步骤S2包括以下步骤： 步骤S21：将步骤S1得到的经过预处理的样本图像和标签分别输入源域模型和目标域模型中，其中，源域模型和目标域模型都是基于Resnet50构建的，输入到源域模型中经过预处理的样本图像和标签在步骤S12进行混合过程中保证λsdλtd，输入到目标域模型中经过预处理的样本图像和标签在步骤S12进行混合过程中保证λsdλtd，源域模型输出的概率最大的类Cs的概率为概率第二大的类的概率为目标域模型输出的概率最大的类Cs的概率为概率第二大的类的概率为 步骤S22：将类Cs作为标签，在下一个训练批次中和对应的样本图像一起输入目标域模型中，得到在类Cs上的概率所有类中的概率最大值增加目标域域模型中类Cs的概率，通过将目标函数最小化实现，目标函数为： 其中Lt表示在目标域上的损失函数，B代表每个批次的大小，max表示取最大值函数，exp表示指数函数，源域模型输出的概率最大的类Cs的概率为概率第二大的类的概率为i表示训练过程中目前处于第几个批处理过程中； 步骤S23：若其中pborder为设定的阈值，为目标域模型输出的所有类的概率的最大值，则增加源域模型中除了概率最大的类Ct以外的所有类的概率；具体实现方法为最小化目标函数：其中为在源域模型在类Ct上的概率，源域模型输出的概率最大的类Cs的概率为Ls表示在源域上的损失函数，目标域模型输出的概率最大的类Ct的概率为概率第二大的类的概率为B代表每个批次的大小，max表示取最大值函数，exp表示指数函数，i表示训练过程中目前处于第几个批处理过程中； 步骤S24：为保证源域模型和目标域模型不会过拟合，并增强收敛稳定性，在训练时为源域模型的目标函数增加一个正则项，正则项定义为：其中表示源域上目标函数的正则项；为目标域模型的目标函数增加一个正则项，正则项定义为：其中表示目标域上目标函数的正则项； 步骤S3具体包括以下步骤： 步骤S31：在训练批次大于bbatch后，直到训练结束，进行对目标域模型的微调，其中bbatch为人为设定的批次数，具体操作如下：将来自目标域中的单一样本复制10份，每份都按照步骤S13的预处理方法进行随机预处理，得到10份经过预处理后的样本；将这10份经过预处理后的样本分别输入目标域模型中，分别得到它们的输出，若结果相同的输出数量大于bsc，其中bsc为人为设定的阈值，则最小化以该相同结果为标签的交叉熵损失；若结果相同的输出数量小于bsc，则最大化以最多相同结果为标签的交叉熵损失； 步骤S32：由于对源域模型的训练过程中均是将经过混合后的样本和标签作为输入，对源域数据特征提取不到位，因此将源域中原来的样本和标签输入进源域模型中对源域模型进行微调，训练过程中采用最小化交叉熵损失的方式进行训练； 步骤S4具体包括以下步骤： 步骤S41：在进行推理时，将需要分类的图片分别输入源域模型和目标域模型，源域模型在类k上输出的概率为目标域模型在类k输出上的概率为其中0kclass+1，class为总类别数，对所有类计算pk最大值对应的类k1即为推断结果； 步骤S42：若所有类中pk的最大值大于阈值Y，则保持类k1为推断结果；若所有类中pk的最大值小于阈值Y，且所有类中pk的值第二大的类k2满足其中为目标域模型在类k2上输出的概率，为目标域模型在类k1上输出的概率，则将推断结果改为k2。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。