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！

龙图腾网恭喜电子科技大学申请的专利一种光学图像辅助的雷达场景图像零样本分类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：CN116543193B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202310247191.0，技术领域涉及：G06V10/764；该发明授权一种光学图像辅助的雷达场景图像零样本分类方法是由裴季方;马彦晶;黄钰林;张寅;霍伟博;杨建宇;杨海光设计研发完成，并于2023-03-15向国家知识产权局提交的专利申请。

本一种光学图像辅助的雷达场景图像零样本分类方法在说明书摘要公布了：本发明公开了一种光学图像辅助的雷达场景图像零样本分类方法，首先充分提取光学和雷达场景图像中的特征，然后构造联合特征兼容函数，突破光学和雷达场景图像特征之间的兼容性瓶颈问题，最后引入叠加校准平衡可见类别和不可见类别的领域偏移，使用一对多分类器获得雷达场景图像零样本分类结果，从而实现不可见类样本的有效分类。本发明的方法克服了他源辅助信息难以充分利用、跨域特征难以兼容的问题，充分提取了光学图像特征和雷达场景图像特征信息，最大限度地提高了所提取不同域特征的兼容性，在雷达场景图像零样本分类任务中取得良好的分类性能，能够对没有可用训练样本的类别进行分类，解决了现有技术无法对不可见类样本进行分类的问题。

本发明授权一种光学图像辅助的雷达场景图像零样本分类方法在权利要求书中公布了：1.一种光学图像辅助的雷达场景图像零样本分类方法，具体步骤如下：S1、采集光学和雷达场景图像样本并进行预处理；S2、构建光学图像辅助雷达场景图像零样本场景分类数据集；S3、提取光学图像和雷达场景图像特征；S4、构造光学和雷达场景图像联合特征兼容函数；S5、构建校准分类器；S6、搭建并训练光学图像辅助雷达场景图像零样本分类网络，完成雷达场景图像分类；所述步骤S3具体如下：S31、结合尺度不变特征变换SIFT和潜在狄利克雷分配LDA算法，从光学图像中提取潜在语义特征；首先，从每张光学图像中提取特征点：利用SIFT算法从每张光学图像中提取Nx个lx维的特征；然后，对提取出的特征进行特征聚类：对所有从光学图像中提取的特征采用k-means算法，得到Ng个聚类，创建一个聚类索引表，记录每个聚类的聚类中心和该聚类包含的特征点；接下来，生成语料库：根据上述建立的聚类索引表，对每个类别进行特征点频率统计，得到一个C×Ng的矩阵作为语料库；其中，C表示类别总数；最后，得到光学图像目标类别的潜在语义特征表示：表示每个目标类别潜在语义特征的向量定义为：wc＝{θ1,θ2,…,θl,…,θK}1其中，θl表示第c类在第l个主题上的得分，K表示主题总数，则可从光学图像中提取出全部类别的潜在语义特征W＝{w1,w2,…,wc,…,wC}；S32、设计雷达场景图像特征提取网络；设计雷达场景图像特征提取网络，由五个卷积层、ReLU函数运算和最大池化层交叉排列，网络最后是两个全连接层；从任一卷积层和全连接层提取不同维度和包含不同信息的雷达场景图像卷积特征vconv和全连接特征vfc；所述步骤S4具体如下：首先，构造全连接特征兼容函数： 其中，表示第c类的全连接特征兼容得分，T表示向量转置运算；表示降维后的全连接特征向量，表示实数域，表示潜在语义特征wc的降维映射，和分别表示q维和k维实向量，q表示wc的维数，k表示特征降维后的维数；表示雷达场景图像特征的降维映射，表示p维实向量，p表示雷达场景图像全连接特征vfc的维度；然后，构造卷积特征兼容函数： 其中，表示第c类的卷积特征兼容得分，oave·表示全局平均池化函数，其运算过程为*表示卷积运算，w和h表示特征图的长和宽；表示降维卷积权重；表示从光学图像中提取的潜在语义特征wc的降维映射，表示k′×s×s维实张量，k′和s分别表示降维后卷积特征的维数和特征图的尺寸大小；Ac,i表示向量Ac中的第i个特征映射；表示第i个降维卷积映射特征图，表示雷达场景特征图的降维映射，和分别表示J×w×h和k′×w×h维实张量，J表示降维前卷积层特征图的数量，k′＜＜J，表示从雷达场景图像特征提取网络的卷积层中提取的J个尺寸为w×h的特征图；最后，基于全连接特征兼容函数和卷积特征兼容函数，光学图像潜在语义和雷达场景图像的全连接特征兼容得分为卷积特征兼容得分为则构造两者的联合特征兼容函数为： 其中，表示第c类的联合特征兼容得分；所述步骤S5具体如下：S51、分类叠加校准引入；引入叠加校准公式： 其中，表示叠加校准之后的修正得分，表示联合特征兼容函数对输入雷达场景图像xi的兼容得分；lS表示可见类别集合，上标S表示可见类的缩写；δ·表示指示函数，当第c类是可见类，则δc＝1，反之，δc＝0，κ表示校准因子；S52、构建一对多分类器；利用式5中每个类别的得分构建一对多分类器： 其中，表示得分最高的类别；所述步骤S6中，基于步骤S3-S5，搭建光学图像辅助雷达场景图像零样本分类网络，然后进行训练，具体如下：S61、雷达场景图像特征提取网络训练；利用步骤S2所述的数据集划分方式将可见类雷达场景图像划分为训练集和测试集，对设计的雷达场景图像特征提取网络进行训练，结合自动学习率调整和断点续训进行训练；S62、训练损失函数设置；利用IsLand损失函数和Hinge损失函数对网络模型进行优化；IsLand损失函数表达公式为： 其中，LIL表示IsLand损失函数，LC表示中心损失函数，μ表示超参数，ck和cj表示第k个类别和第j个类别的特征中心，表示特征中心的集合；Hinge损失表达式为： 其中，LH表示Hinge损失函数，y表示雷达场景图像的真值标签，当图像属于该类别时，y＝1，否则，y＝-1；当或LH取最小值，输入的雷达场景图像样本分类正确，采用LH对叠加分类器进行优化。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。