面向四足具身智能巡检机器人的半监督视频描述生成方法

本发明公开了面向四足具身智能巡检机器人的半监督视频描述生成方法，属于计算机视觉和具身智能交叉技术领域，包括搭建视觉信息对规约与双轨融合网络，将视频输入至视觉信息对规约与双轨融合网络生成多类型候选伪标签，结合大语言模型LLaMA3完成伪标签融合重构，语义重排后筛选得分最高伪标签作为视频伪标签，经迭代自训练优化方式，输出最终视频描述。本发明面向四足具身智能巡检机器人的半监督视频描述生成方法，解决了现有半监督模型为未标注数据生成伪标签时，难以利用不同视觉信息生成具有语义差异性的候选伪标签并进行质量评估，导致伪标签质量不稳定，进而向训练过程引入噪声，造成视频描述生成内容精准度低的问题。