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

龍圖騰網獲悉中南大學申請的專利基于自監督對比學習的跨域遙感場景分類與檢索方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115471739B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210927707.1，技術領域涉及：G06V20/10；該發明授權基于自監督對比學習的跨域遙感場景分類與檢索方法是由王思遠;侯東陽設計研發完成，并于2022-08-03向國家知識產權局提交的專利申請。

本基于自監督對比學習的跨域遙感場景分類與檢索方法在說明書摘要公布了：本發明涉及基于自監督對比學習的跨域遙感場景分類與檢索方法，包括如下步驟：A獲取遙感圖像，構建輸入數據；B基于自監督對比學習并結合目標域圖像的已知類樣本和未知類樣本構建損失函數，并構建深度域適應學習網絡，并利用輸入數據和損失函數對其進行訓練；C利用深度域適應學習網絡對目標域圖像進行分類，提取目標域圖像的目標圖像特征向量構建特征數據庫，提取目標域查詢圖像的查詢圖像特征向量，計算查詢圖像特征向量與特征數據庫中的目標圖像特征向量的歐式距離，以基于歐式距離選出所需的檢索目標。本發明的基于自監督對比學習的跨域遙感場景分類與檢索方法能夠在目標域存在未知類別的情況下仍具有良好的跨域分類與檢索精度。

本發明授權基于自監督對比學習的跨域遙感場景分類與檢索方法在權利要求書中公布了：1.基于自監督對比學習的跨域遙感場景分類與檢索方法，其特征在于，包括如下步驟： A）獲取遙感圖像，并劃分所述遙感圖像的源域圖像與目標域圖像，以構建輸入數據； B）基于自監督對比學習并結合所述目標域圖像的已知類樣本和未知類樣本構建損失函數，構建深度域適應學習網絡，并利用所述輸入數據和所述損失函數訓練所述深度域適應學習網絡； C）利用訓練好的所述深度域適應學習網絡對所述目標域圖像進行分類，提取所述目標域圖像的目標圖像特征向量構建特征數據庫，提取目標域查詢圖像的查詢圖像特征向量，計算所述查詢圖像特征向量與所述特征數據庫中所有的所述目標圖像特征向量的歐式距離，按歐式距離進行排列，并按照設定的歐氏距離范圍，得出所需的檢索目標； 所述深度域適應學習網絡包括多個特征編碼網絡、多個對比學習網絡和多個分類器； 所述損失函數的構建步驟包括： B11構建源域分類損失：對所述源域圖像進行有監督學習，采取交叉熵損失計算其分類的準確性： 其中，為分類損失函數，表示所述源域圖像的源域有標注圖像的真實類別分布，函數表示所述分類器輸出的源域弱增強樣本類別概率分布，表示源域有標注圖像的標簽樣本的合集； B12構建自監督對比損失：構建所述目標域圖像的目標域強增強樣本和目標域弱增強樣本，以計算對比損失： 其中，其中sim是相似性度量函數，是縮放因子，A∈{0,1}是一個指示函數，用于評估k與是否等于，B表示一次訓練所選取的樣本數； B13構建已知類識別損失為： 其中，表示一次訓練內滿足已知類閾值選擇要求的樣本比例，表示交叉熵損失，為由所述目標域弱增強樣本篩選得到的目標域已知類偽標簽的合集，表示所述目標域弱增強樣本由所述已知類偽標簽篩選后所屬的類別，且，表示所述目標域強增強樣本的預測類別概率分布，表示目標域強增強樣本的標簽樣本的合集； B14構建未知類識別損失：未知類識別損失為高置信度未知類別樣本的一致性分類損失： 其中，為由所述目標域弱增強樣本篩選得到的目標域未知類偽標簽的合集，表示所述目標域強增強樣本的預測類別概率分布； B15）構建的總損失函數為： 其中，和為權衡模型優化目標的參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中南大學，其通訊地址為：410083 湖南省長沙市岳麓區中南大學校本部；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。