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！

龙图腾网恭喜集美大学申请的专利基于自监督学习的遥感图像多类别地物识别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：CN119810672B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202510272076.8，技术领域涉及：G06V20/10；该发明授权基于自监督学习的遥感图像多类别地物识别方法是由许慧琳;邹远辉;苏锦河;刘伟权设计研发完成，并于2025-03-10向国家知识产权局提交的专利申请。

本基于自监督学习的遥感图像多类别地物识别方法在说明书摘要公布了：本发明公开了一种基于自监督学习的遥感图像多类别地物识别方法，S1.生成标准化遥感图像数据；S2.基于自监督学习对所述标准化遥感图像数据进行特征预训练，输出深度特征表示；S3.将深度特征表示输入至梯度增强决策树分类模块，输出初步分类结果；S4.更新梯度增强决策树分类模块；S5.将深度特征表示经由特征蒸馏模块转换为低维特征表示，输出优化分类结果；S6.对所述优化分类结果实施空间一致性优化、分类边界细化以及类别重分配，生成最终的遥感图像多类别地物识别结果。本发明显著提升了复杂地物类别的分类精度和类别区分能力。

本发明授权基于自监督学习的遥感图像多类别地物识别方法在权利要求书中公布了：1.一种基于自监督学习的遥感图像多类别地物识别方法，其特征在于，包括如下步骤：S1.获取遥感图像数据，并对遥感图像数据进行预处理，包括辐射校正、几何校正、噪声去除、云层遮挡区域填充以及图像增强处理，生成标准化遥感图像数据；S2.基于自监督学习对所述标准化遥感图像数据进行特征预训练，自监督学习模块通过构造多视角对比任务、空间一致性任务及光谱域变换任务从标准化遥感图像数据中自动提取具有判别能力的深层次特征表示，并输出深度特征表示；S21.采用自监督学习方法对标准化遥感图像数据D进行特征预训练，构建跨尺度空间-光谱融合自监督特征提取模型F；S22.构建跨尺度对比学习机制，对标准化遥感图像数据进行多尺度分解，定义尺度变换集T，并构造多尺度增强样本和分别计算其特征向量并定义尺度对比损失；S23.设计地物-背景分割约束，构造地物掩模Mi，定义地物像素集合Pi和背景像素集合Bi，并计算地物与背景特征均值，定义地物区分损失，使地物与背景特征具有可区分性；S24.采用光谱-空间融合增强机制，构造光谱扰动样本I'i，计算光谱不变性损失，并融合空间信息，定义局部一致性约束；S25.计算最终改进自监督学习损失，结合跨尺度对比学习、地物-背景分割约束及光谱-空间融合机制，并输出自监督学习提取的深度特征表示集合Z；S3.将深度特征表示输入至梯度增强决策树分类模块，梯度增强决策树分类模块由多个弱分类器构成，通过迭代优化对所述深度特征表示进行初步多类别地物分类，并输出初步分类结果；S4.根据初步分类结果计算分类误差并基于梯度反馈机制对弱分类器的权重进行动态调整，优化各弱分类器的决策边界，更新梯度增强决策树分类模块；S41.通过对损失函数关于初步分类结果求梯度，获得梯度反馈值gi，其中，为预测类别标签，yi为真实类别标签；S42.针对梯度增强决策树分类模块的多个弱分类器，设第t个弱分类器的权重为wt，其中，t＝1,2,…,T，T为弱分类器总数，根据每个样本i的梯度反馈值gi计算该弱分类器的权重调整量，定义调整量为S43.对每个弱分类器实施动态权重更新；S44.利用更新后的权重对各弱分类器的决策边界进行重新优化，结合深度特征表示Zi对梯度增强决策树分类模块进行整体微调或再训练构建更新后的分类模块G'；S45.输出更新后的梯度增强决策树分类模块G'对深度特征表示Z进行预测后得到的分类结果S5.将深度特征表示经由特征蒸馏模块转换为低维特征表示，并与梯度增强决策树分类模块经过权重调整后的中间分类特征进行融合，生成融合后的优化特征表示，优化特征表示进一步输入至梯度增强决策树分类模块进行精细分类训练，输出优化分类结果；S6.对所述优化分类结果实施空间一致性优化、分类边界细化以及类别重分配，生成最终的遥感图像多类别地物识别结果。

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集美大学，其通讯地址为：361021 福建省厦门市集美银江路185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”。