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！

龙图腾网获悉南京理工大学申请的专利一种基于多任务学习的弱监督图像语义理解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：CN115222953B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202210626443.6，技术领域涉及：G06V10/44；该发明授权一种基于多任务学习的弱监督图像语义理解方法是由许春燕;张书敏;崔振设计研发完成，并于2022-06-02向国家知识产权局提交的专利申请。

本一种基于多任务学习的弱监督图像语义理解方法在说明书摘要公布了：本发明公开了一种基于多任务学习的弱监督图像语义理解方法，包括以下步骤：获取任务缺失图像，构建多层级任务共享编码器，逐层提取高级语义信息，输入相应的解码器分支；构建公共空间‑任务空间特征映射模块，通过不对齐任务融合模块与任务交互映射模块，映射更新各子任务特征；构建任务自适应特征更新模块，多层级迭代更新不对齐任务特征；构建任务自适应的弱监督图像语义理解框架，建立模型损失函数，将任务缺失的图像数据输入模型，获得语义分割、深度估计、表面法线估计等多任务预测结果。本发明根据任务标签不对齐的数据信息，通过公共空间与任务空间的映射交互，充分融合了不对齐任务特征，迭代生成高质量的多任务预测结果，能够有效处理任务缺失的弱监督问题，同时提高了各任务预测准确率。

本发明授权一种基于多任务学习的弱监督图像语义理解方法在权利要求书中公布了：1.一种基于多任务学习的弱监督图像语义理解方法，其特征在于，包括以下步骤： 步骤一，获取任务缺失图像，构建多层级任务共享编码器，特征输入相应解码器分支，包括下述子步骤： 1.1将彩色图像输入共享的多任务特征编码器，包含多层级的特征提取与池化操作； 1.2编码器的I个层级分别生成不同尺度的编码器特征； 1.3将各层级特征直接连接与跨层连接相结合，输入到各不对齐子任务的解码器分支中，各分支特征表示为，其中，i表示该任务分支中的层级数，M是数据集所有图像包含的子任务总数，任意一张图像包含其中随机m个， 步骤二，构建公共空间-任务空间特征映射模块，映射更新各子任务特征，包括下述子步骤： 2.1构建不对齐任务融合模块，融合多个子任务特征空间，子任务空间到公共空间的映射函数为，两特征交互函数为f，多任务特征依次应用f函数，则总体融合函数为： 其中，当m为2时，仅需两任务交互；当m为1时，直接取值， 2.2将融合特征映射至共享公共空间，形成公共特征融合空间，表示为： 其中，函数通过不对齐任务融合与空间映射得到，表示为： 其中，g是包含一般的激活函数的非线性映射函数， 2.3构建任务交互映射模块，将公共空间映射到各子任务空间，使用网络模型学习的策略，对个不对齐任务分支，定义公共空间到特定子任务空间的映射函数为，则映射后特征为： 其中，为网络模型学习的非线性映射函数，λt为网络超参数，是特定任务t的特征映射吸收系数， 步骤三，构建任务自适应特征更新模块，多层级迭代更新不对齐任务特征，包括下述子步骤： 3.1将公共空间映射到子任务空间特征，在每一层级与任务内特征进一步合并，经卷积变换后，更新子任务特征为，表示为： 其中，为网络模型训练的卷积函数，为求和方式融合，生成第i层级解码器的特征输出， 3.2将m个解码器分支第i层的输出特征继续输入解码器第i+1层，建立任务自适应特征更新模块，迭代过程表示为： 步骤四，构建任务自适应的图像语义理解框架，建立模型损失函数，训练后获得语义分割、深度估计、表面法线估计等多任务预测结果，包括以下子步骤： 4.1构建任务自适应的图像语义理解框架，其中多层级的任务特征共享网络作为底层编码器部，特征映射模块与特征更新模块作为中间解码器部分，最后送入多任务独立的预测分类器，生成最终预测结果为： 其中，表示解码器第t个任务分支最后一层的预测函数，采用卷积函数的形式， 4.2根据总体框架为参与训练的每个子任务建立特定任务的损失函数，形成总体损失函数； 4.3将任务缺失的图像数据输入模型训练，训练分为初始和微调两个阶段，采用SGD优化器进行梯度优化，训练至模型收敛后，将彩色图像输入训练好的弱监督多任务学习模型，获得语义分割、深度估计、表面法线估计等多个任务的预测结果。

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南京理工大学，其通讯地址为：210018 江苏省南京市玄武区孝陵卫街道孝陵卫街200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。