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！

龙图腾网恭喜福州大学申请的专利一种城市建筑物类型变化遥感检测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：CN117173573B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202311195257.2，技术领域涉及：G06V20/10；该发明授权一种城市建筑物类型变化遥感检测方法是由李蒙蒙;张少锋;汪小钦设计研发完成，并于2023-09-16向国家知识产权局提交的专利申请。

本一种城市建筑物类型变化遥感检测方法在说明书摘要公布了：本发明提出了一种城市建筑物类型变化遥感检测方法。构建一种基于高分辨率遥感影像的城市建筑物类型变化检测模型，具体由语义分割和变化检测两大模块组成。语义分割模块利用SwimTransformer作为编码器，提升特征提取过程中的全局感知能力。通过不同任务的参数共享机制同时学习建筑物类型信息和边界信息，解决建筑物类型变化的检测问题，并在特征提取阶段融入多尺度特征对比学习，提升网络对变化地物的感知能力。配合变化检测模块，该方法可同时识别建筑物的边界和类型变化信息。本发明集成了端到端的深度神经网络，实现了利用高分辨率遥感影像自动检测城市建筑物类型变化。

本发明授权一种城市建筑物类型变化遥感检测方法在权利要求书中公布了：1.一种城市建筑物类型变化遥感检测方法，其特征在于，包括以下步骤：步骤S1：获取研究区的双时相高分辨率遥感影像，并对影像进行预处理操作，包括辐射校正、正射校正、影像融合、影像重采样操作；步骤S2：构建基于SwimTransformer的语义分割任务模块，提取多尺度双时相影像特征，学习建筑物特征信息；对双时相影像同一尺度特征进行对比损失计算；步骤S3：构建基于SwimTransformer的变化检测任务模块，提取影像变化特征，学习影像之间的变化信息；基于多任务思想，分别构建双时相多类别建筑物类型变化图与二值变化变化图解码器；步骤S4：设计针对双时相影像建筑物变化的语义边界损失和二值变化损失；具体地，多分类语义分割任务中采用加权损失减缓训练过程中建筑物类型数量不均衡的问题；步骤S5：制作多类别建筑物变化样本集，将建筑物划分为未变化建筑物、离散建筑物，简易单用途建筑物，复杂多用途建筑物以及居民楼；对双时相影像进行滑动裁剪和样本增强操作，构建训练和验证样本集；步骤S6：模型训练与预测，最终获得双时相影像的建筑物类型变化图与变化区域二值图；步骤S2中具体包括以下步骤：步骤S21：选择SwimTransformer为基础网络，主要包含图像融合、下采样模块、掩码模块和多头移动窗口注意力计算模块；步骤S22：基于孪生多任务网络学习框架，构建语义分割和变化检测两大模块，使用两个权值共享的多层注意力网络对双时相影像特征进行编码，同时学习影像中建筑物边界及其类型信息；步骤S23：基于步骤S22提取到的多尺度特征，构建多尺度对比损失，做法如下：采用余弦相似度计算基于通道方向上的多尺度相似性，计算公式如下： 式中，A,B分别为T1和T2时像同一尺度的特征信息集，Ai,Bi分别表示T1和T2时像同一通道的特征向量；SA,B为向量相似性，数值在[-1,+1]之间，将向量相似性SA,B转换为距离D，计算公式如下： 构建特征距离D差阈值生成伪标签，伪标签反应通道方向上的特征变化；基于上述步骤可以得到特征对应的建筑物信息是否变化的伪标签；基于伪标签构建多尺度特征损失计算函数；利用多尺度特征差将提取到的变化特征进行扩距，伪变化或未变化特征进行缩距；多尺度特征损失计算函数如下： ldis＝l1+l2+…+lm式中D为S32中的计算结果，li表示第i个尺度的特征差损失，label＝0表示此通道对应的特征未发生改变，label＝1表示此通道对应的特征发生改变；max为最大距离差，当max等于2表示特征之间完全不同；优化损失函数，通过相加计算集成多尺度对比损失形成总对比损失；步骤S3中具体包括以下步骤：步骤S31：基于步骤S2中提取的双时相影像多尺度特征，构建基于SwimTransformer的变化特征编码器，获得到时相影像的变化特征；步骤S32：基于孪生多任务学习思想，构建基于多尺度建筑物特征的双时相建筑物多分类解码器，构建基于影像变化特征的二值掩膜解变化图解码器；包含多尺度特征融合模块，在解码过程中融合多尺度信息；步骤S4中具体包括以下步骤：步骤S41：基于步骤S2、S3构建的孪生多任务网络模型，设计多任务损失函数，优化网络权值；具体地，采用多分类交叉熵损失计算双时相建筑物多分类语义分割的损失，计算公式如下： 式中lm表示双时相多类别语义分割损失，表示第j类别的预测概率,cls表示真实的类别，N表示类别总数；通过损失的反向传播，使像素位置的预测类别更接近真实类别；步骤S42：采用加权对比损失计算二值变化掩膜损失；计算公式如下：lc＝-yc·logpc-1-·log1-pc lct＝Wp·lcp+Wn·lcn式中：lc表示变化二值掩膜损失，yc表示c像素位置的实际标签，pc表示c像素位置的预测结果；lcp表示c像素位置实际变化的损失，lcn表示c像素位置实际未变化的损失；ycp表示c像素位置真实变化的掩膜，ycn表示c像素位置真实未变化的掩膜；np表示真实标签中变化的总像素数量，nn表示真实标签中变化的总像素数量；Wp为变化损失的计算权重，Wn为未变化损失的计算权重，经过加权相加得到变化掩膜总损失lct；步骤S43：采用加权余弦相似度损失进一步突出变化信息；计算公式如下： 式中：lcos表示余弦相似度损失，xi表示双时相影像的某个像素位置通道上排列的分类概率向量，cosx1,x2表示概率向量的余弦相似度,max表示边界值；y表示对应位置是否改变的真实标签，当y＝-1表示x位置处发生改变，通过优化损失将变化处的余弦相似度优化至0；y＝1表示x位置处未发生改变，通过优化损失可以使未变化处的损失趋向于1；标签信息y由真实标签经过转换得到；步骤S44：基于步骤S23、S41、S42、S43构建的多个损失函数，采用加权相加的方式得到网络的总损失：lt＝λ1ldis+λ2lm+λ3lct+λ4lcos式中：lt表示网络的总损失，λi表示不同损失对应的权重，采用熵值法确定不同损失的权重占比。

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”。