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

龍圖騰網(wǎng)獲悉石家莊鐵道大學(xué)申請的專利一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119832434B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510118767.2，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法是由張云佐;甄嘉聞;涂志偉;薛麗燁;孫士博;趙永斌;連瑋琪;鄭麗娟;耿鵬設(shè)計研發(fā)完成，并于2025-01-24向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法，所述方法包括以下步驟：使用CNN?Transformer混合的層次主干網(wǎng)絡(luò)用于對遙感圖像進(jìn)行特征提取，將CNN的本地細(xì)節(jié)敏感性與Transformer的全局上下文感知相結(jié)合，捕獲從微小變化到寬模式的多尺度特征；通過語義補(bǔ)償模塊，通過補(bǔ)償、對齊來自CNN的局部特征和來自Transformer的全局特征來確保語義一致性；使用一種CNN?Trans特征自適應(yīng)融合模塊，以自適應(yīng)地平衡、融合來自CNN和Transformer分支的特征，從而增強(qiáng)模型在不同場景中的泛化能力。本發(fā)明通過變化特征識別模塊可在抑制環(huán)境干擾的同時識別真實(shí)變化，有效提升了識別準(zhǔn)確率。

本發(fā)明授權(quán)一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法在權(quán)利要求書中公布了：1.一種基于語義補(bǔ)償?shù)淖赃m應(yīng)融合遙感圖像變化檢測方法，其特征在于，包括如下步驟： S1，將變化檢測原數(shù)據(jù)集圖片按照指定大小裁切成不重疊的子圖，并劃分為訓(xùn)練集、驗(yàn)證集、測試集；將訓(xùn)練集圖片輸入進(jìn)網(wǎng)絡(luò)前進(jìn)行數(shù)據(jù)增強(qiáng)；具體如下： S1.1，將數(shù)據(jù)集的原始圖像裁切成256x256大小的圖片； S1.2，將裁切后的圖片按照不同的比例劃分為訓(xùn)練集，驗(yàn)證集，測試集； S1.3，將訓(xùn)練集進(jìn)行隨機(jī)翻轉(zhuǎn)，裁切操作； S1.4，將增強(qiáng)后的訓(xùn)練集、驗(yàn)證集、測試集圖片進(jìn)行歸一化操作； S2，將輸入圖像進(jìn)行初始下采樣操作將分辨率大小為256x256的圖像變成64x64的特征圖，圖像的通道數(shù)由3變成128；將特征圖分別傳入卷積核大小為3的卷積和Transformer塊中；利用語義補(bǔ)償模塊將兩種語義不同的特征圖進(jìn)行信息補(bǔ)償；減小特征圖的尺度并增加特征圖的通道數(shù)傳入下一層級的卷積和Transformer塊；經(jīng)過四層CNN-Transformer特征提取后至主干網(wǎng)絡(luò)的末尾； S3，將主干網(wǎng)絡(luò)中的語義補(bǔ)償模塊輸出的特征使用CNN-Transformer特征自適應(yīng)融合模塊進(jìn)行特征融合； 特征圖F1和F2分別來自于CNN和Transformer分支，并且通過卷積核大小為3的卷積以及層歸一化生成Q,K,V向量，用公式表達(dá)如下： Q1,K1,V1＝LNReLUConv3×3F1， Q2,K2,V2＝LNReLUConv3×3F2， 對兩組Q,K,V之間使用交叉多頭注意力進(jìn)行融合后與可學(xué)習(xí)因子β相乘得到Fβ1和Fβ2后分別與乘以可學(xué)習(xí)因子α的輸入特征圖Fα1和Fα2進(jìn)行相加得到Fα1+β1，F(xiàn)α2+β2，用公式表示如下： FCA1＝MHAQ2,K1,V1， FCA2＝MHAQ1,K2,V2， Fβ1＝reshapeConv3×3FCA1×β1， Fβ2＝reshapeConv3×3FCA2×β2， 將Fα1+β1，F(xiàn)α2+β2進(jìn)行層歸一化后通過1x1卷積增加通道方向維度后在通道方向進(jìn)行切分得到Fa1，F(xiàn)a2和Fb1，F(xiàn)b2；將通過深度可分離卷積后與Fa2，F(xiàn)b2特征相乘以增強(qiáng)特征的提取能力；對其使用激活函數(shù)和卷積得到Fe1和Fe2，用公式表示如下： Fa＝LNConv1×1Fα1+β1， Fb＝LNConv1×1Fα2+β2， Fa1,Fa2＝splitFa， Fb1,Fb2＝splitFb， 其中split表示將輸入特征沿通道維度切分為原來的二分之一；Convd表示深度卷積；Convp表示點(diǎn)卷積；隨后引入學(xué)習(xí)因子δ與Fe1，F(xiàn)e2相乘并與乘以可學(xué)習(xí)因子γ的輸入特征F1，F(xiàn)2相加；最后將兩個分支相連并對其進(jìn)行卷積以完成自適應(yīng)融合；用公式表示如下： CTFAFout＝RELUBNConv1×1ConcatFus1,Fus2， 其中BN表示批歸一化，Concat表示通道維度拼接； S4，將不同層級上融合的CNN-Transformer特征輸入進(jìn)變化特征鑒別模塊進(jìn)行差異特征提取； S5，將底層的差異特征進(jìn)行上采樣使得其尺度與上一層級相同；將上采樣后的特征與上一層級特征在通道維度進(jìn)行拼接；將拼接以后的特征進(jìn)行反卷積改變其尺度和通道；重復(fù)前面的過程至第一層級；將與第一層級特征融合后的特征進(jìn)行反卷積后使用卷積核大小為3的卷積；將特征進(jìn)行上采樣并連續(xù)對其進(jìn)行兩次卷積核大小為3的卷積生成變化圖；在訓(xùn)練集上進(jìn)行200輪數(shù)的迭代訓(xùn)練并保存效果最好的模型參數(shù)； S6，將測試集的雙時相遙感圖片輸入進(jìn)遙感圖像變化檢測模型來得到模型預(yù)測的變化圖。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人石家莊鐵道大學(xué)，其通訊地址為：050043 河北省石家莊市長安區(qū)北二環(huán)東路17號；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)”。