Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜福州大学汪小钦获国家专利权

恭喜福州大学汪小钦获国家专利权

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自注意力特征融合的高分辨率遥感影像语义变化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:CN116486255B

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:202310253842.7,技术领域涉及:G06V20/10;该发明授权自注意力特征融合的高分辨率遥感影像语义变化检测方法是由汪小钦;林海涵;李蒙蒙设计研发完成,并于2023-03-16向国家知识产权局提交的专利申请。

自注意力特征融合的高分辨率遥感影像语义变化检测方法在说明书摘要公布了:本发明涉及一种自注意力特征融合的高分辨率遥感影像语义变化检测方法。该方法结合深度学习技术构建一种针对高分辨率遥感影像土地利用土地覆盖(LULC)的地物语义变化检测模型。模型对已完成预处理和裁剪的高分辨率遥感影像采用卷积神经网络CNN和Transformer组合编码层提取双时相高分辨率影像的深层特征,配合自注意力特征融合模块和多任务反卷积解码层进行LULC的变化区域检测和变化区域内前后时相的地物类型分类。本发明结合多任务学习思想,将变化区域检测和变化类型识别集成为一体,实现自动化的双时相高分辨率影像LULC语义变化检测。

本发明授权自注意力特征融合的高分辨率遥感影像语义变化检测方法在权利要求书中公布了:1.一种自注意力特征融合的高分辨率遥感影像语义变化检测方法,其特征在于,包括如下步骤:步骤S1、获取同一区域两个不同时相高分辨率遥感影像,对影像进行预处理,包括辐射校正、正射校正、大气校正、影像融合、影像配准和影像重采样的操作;步骤S2、对完成预处理的影像进行裁剪和数据增广处理,经人工筛选和校正构建高分辨率影像土地利用和土地覆盖LULC瓦片样本数据集;步骤S3、基于步骤S2构建的LULC瓦片样本数据集,分别将相对应的双时相影像样本对分别输入两个特征编码层中进行双时相影像深层特征信息识别和提取;步骤S4、构建一种自注意力特征融合模块,对步骤S3所提取的双时相影像深层特征信息采用自注意力特征融合模块进行特征的融合,得到融合特征;步骤S5、对步骤S4获取的融合特征构建多任务特征解码层;多任务解码层中,一个任务用于变化区域的检测,另一个任务用于变化区域内前后时相LULC特征信息中地物类型的识别,将变化区域预测结果对变化类型结果进行掩膜实现空间区域约束;具体实现如下:步骤S51、构建多任务分支上采样层,其中包括变化区域检测分支和变化类型识别分支两个任务,而两个任务采取权重共享方式实现变化区域检测和变化类型识别精度的并行优化;步骤S52、对于变化区域检测的分支任务,选取3个卷积核大小为3×3的反卷积层和3个双线性插值法的上采样层组成变化区域检测的解码器;步骤S53、对于变化类型识别分支任务,选取2个卷积核大小为3×3的反卷积层、2个卷积核大小为1×1的反卷积层和3个双线性插值法的上采样层组成LULC变化类型检测的解码器;将需要双分支并行解码器统一为单分支解码器,仅在解码器的最后一层采用2个反卷积层分别输出变化区域内时相前后的地物类型识别结果,完成对语义变化信息的检测;步骤S54、将步骤S52变化区域的二分类检测结果对步骤S53语义变化信息的多分类检测结果进行掩膜,实现预测结果的空间约束;步骤S6、结合对应的真实瓦片样本标签,运用多任务损失函数对模型预测结果进行差异度度量计算并选择参数优化器进行模型反向传播的参数更新和优化,通过多次迭代训练调整模型参数;步骤S6,包括:步骤S61、基于步骤S5多任务特征解码层所使用的多任务解码器,以两种损失函数计算并将最终的计算结果进行相加作为模型最后的损失函数值;使用的损失函数包括FocalLoss和二分类交叉熵损失函数BCELoss,其中,FocalLoss用于变化类型检测的损失计算,BCELoss用于变化区域检测的损失计算;FocalLoss定义如下:LFocal=-αt1-qxγ·∑px·logqx+1-px·log1-qx式中,px代表预测概率分布,qx代表真实概率分布,αt表示正负样本的权重,γ为gamma系数,用于降低简单类样本的损失计算结果值;BCELoss定义如下:LBCE=-px·logqx+1-px·log1-qx式中,px代表预测概率分布,qx代表真实概率分布;步骤S7、利用步骤S6优化后的模型,完成整个区域LULC变化类型识别。

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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。