買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉貴州大學申請的專利一種基于多尺度注意力的輕量級高光譜圖像分類方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN117218407B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202310976807.8，技術領域涉及：G06V10/764；該發(fā)明授權一種基于多尺度注意力的輕量級高光譜圖像分類方法是由阮小利;丁書杰;楊靜;孫杰;胡丙齊設計研發(fā)完成，并于2023-08-04向國家知識產(chǎn)權局提交的專利申請。

本一種基于多尺度注意力的輕量級高光譜圖像分類方法在說明書摘要公布了：本發(fā)明提出了一種基于多尺度注意力的輕量級高光譜圖像分類方法，包括：步驟1：首先將HSI數(shù)據(jù)輸入到卷積層中進行預處理，通過預處理能對輸入的HIS數(shù)據(jù)進行初步的特征提取以及降維；步驟2：將預處理后的數(shù)據(jù)輸入第一分支機構；步驟3：將預處理后的數(shù)據(jù)輸入第二分支機構；步驟4：將步驟1、步驟2以及步驟3的輸出進行特征融合并且將融合結果輸入到動態(tài)分組卷積層；本發(fā)明有效地考慮了地物空間尺度的變化、充分利用了光譜空間特征，減輕了光譜差異和空間上下文信息不足，并提高了分類精確性。

本發(fā)明授權一種基于多尺度注意力的輕量級高光譜圖像分類方法在權利要求書中公布了：1.一種基于多尺度注意力的輕量級高光譜圖像分類方法，其特征在于，包括： 步驟1：首先將HSI數(shù)據(jù)輸入到卷積層中進行預處理，通過預處理能對輸入的HIS數(shù)據(jù)進行初步的特征提取以及降維； 步驟2：將預處理后的數(shù)據(jù)輸入第一分支機構，所述第一分支機構包括MsCA模塊和分組卷積層，預處理后的數(shù)據(jù)經(jīng)過MsCA模塊；然后，將MsCA模塊的輸出特征輸入到分組卷積層進行特征提取；在所述MsCA模塊中包括以下步驟： S1-1，將預處理后的HSI數(shù)據(jù)經(jīng)過自適應平均池化處理后，得到一維光譜通道向量 其中： 表示當前通道數(shù)，C表示總的通道數(shù)； 為一維光譜通道向量； 表示當前通道下的一維光譜通道向量； Ho表示經(jīng)過自適應平均池化操作后輸出張量的長； Wo表示經(jīng)過自適應平均池化操作后輸出張量的寬； 其中自適應平均池化層的卷積核、步長通過以下公式求得： stride表示步長； floor.表示向下取整； 表示輸出數(shù)據(jù)的空間大小Ho×Wo； Us表示輸入數(shù)據(jù)的空間大小H×W； kernels表示卷積核； S1-2，設置多尺度內(nèi)核來捕獲不同距離的相關特征，定義了一組多尺度卷積核D＝{D1,D2,D3,…,DK′}，將經(jīng)過自適應平均池化層得到的數(shù)據(jù)分別與多尺度的卷積核進行卷積之后，再將提取到的多尺度特征進行特征融合，提取具有相鄰距離Ck的光譜相關特征Tk，公式如下： 其中：⊙表示卷積運算； 表示一維光譜通道向量； Dk表示卷積核； 表示經(jīng)過自適應平均池化層計算得到的輸出數(shù)據(jù)； 表示卷積核Dk第c次卷積； C表示總的通道數(shù)； S1-3，將具有相鄰距離Ck的光譜相關特征Tk進行融合，融合特征Ts表示如下： 表示第個卷積核下的光譜相關特征Tk； K′表示卷積核總量； S1-4，之后將融合的特征Ts輸入到具有非線性映射的全連接層中，得到通道掩碼τ，公式如下： τ＝σW2×δW1×Ts6 其中：σ表示ReLu函數(shù)； δ表示Sigmoid函數(shù)； W1和W2是權重； S1-5，重新調整MsCA模塊的輸入數(shù)據(jù)U，重新調整后的數(shù)據(jù)為Unew，調整策略如下： 表示第個通道上的通道掩碼， 表示輸入數(shù)據(jù)的第個通道； 步驟3：將預處理后的數(shù)據(jù)輸入第二分支機構，所述第二分支機構包括PAM模塊、SFEF模塊和分組卷積層，預處理后的數(shù)據(jù)經(jīng)過PAM模塊，通過位置特征對重要光譜特征進行突出處理，然后將PAM模塊的輸出輸入SFEF模塊，最后將SFEF模塊的輸出特征圖輸入分組卷積層；在所述SFEF模塊中包括： SFEF模塊的所有圖層的特征都是在反饋連接和殘差連接的幫助下流通，因此，現(xiàn)在每個層依次從其他層獲得輸出特征作為其輸入；公式12和13分別表示SFEF模塊輸入和輸出公式： 其中：Cm表示第m個卷積訓練后得到的輸出； 表示經(jīng)過PAM模塊后得到的輸出； 表示ReLU激活函數(shù)； α表示批量規(guī)范化層； ⊙表示卷積運算； Xm+1表示第m+1個卷積的輸入； W和B表示對應的權重和偏置； {}i表示樣本的索引； 步驟4：將步驟1、步驟2以及步驟3的輸出進行特征融合并且將融合結果輸入到動態(tài)分組卷積層，該層中使用的卷積核將隨著高光譜數(shù)據(jù)波段數(shù)量不同而不斷變化，以適應不同的HSI數(shù)據(jù)； 步驟5：將步驟4得到特征圖通過自適應平均池化進行降維，最后通過全連接層輸出分類結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人貴州大學，其通訊地址為：550000 貴州省貴陽市花溪區(qū)貴州大學；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。