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！

龍圖騰網獲悉西安電子科技大學申請的專利基于對比學習與子空間的小樣本跨域高光譜圖像分類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：CN116977744B 。

龍圖騰網通過國家知識產權局官網在2025-09-05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：202310979029.8，技術領域涉及：G06V10/764；該發明授權基于對比學習與子空間的小樣本跨域高光譜圖像分類方法是由慕彩紅;張富貴;劉逸;陳素玲;王蓉芳;馮婕設計研發完成，并于2023-08-04向國家知識產權局提交的專利申請。

本基于對比學習與子空間的小樣本跨域高光譜圖像分類方法在說明書摘要公布了：本發明公開一種基于對比學習與子空間的小樣本跨域高光譜圖像分類方法，主要解決常規方法嵌入特征信息利用率低、訓練花費高及精度低的問題。其方案包括：獲取高光譜數據集，劃分源域與目標域獲得訓練集與測試集；構建映射層與特征提取器，利用其分別提取源域與目標域的嵌入特征以進行子空間分類與對比學習；構建域鑒別器，計算源域與目標域的域鑒別損失、空間損失及對比損失的總損失；利用訓練集通過反向傳播對特征提取器進行迭代訓練，直到總損失函數收斂；將測試集輸入到訓練好特征提取器，得到的分類結果。本發明提高了分類器的辨別能力強和分類精度，提升了嵌入特征信息的利用率，減小了訓練花費，可用于資源勘探、森林覆蓋和災害監測的地物分類。

本發明授權基于對比學習與子空間的小樣本跨域高光譜圖像分類方法在權利要求書中公布了：1.一種基于對比學習與子空間的小樣本跨域高光譜圖像分類方法，其特征在于，包括如下： 1獲取高光譜數據集并進行劃分： 1a從公開網站中獲取G個高光譜數據集，將一個數據集作為源域，剩下的G-1個數據集作為目標域； 1b從源域數據集中選C個類別，每個類選K個源域樣本作為源域支持集Ss，再選取N個其他源域樣本組成源域查詢集Qs； 1c從目標域數據集中選H個帶標簽類別，每個類選取K個目標域有標簽樣本作為目標域支持集St，每個類再選N個其他目標域有標簽樣本組成目標域查詢集Qt，用目標域支持集St與目標域查詢集Qt共同組成訓練集Tr；將剩下的目標域無標簽樣本作為測試集Te； 2構建包括一個二維卷積層與一個BatchNorm2d層的映射層；構建包括兩個殘差塊、兩個最大池化層，一個卷積層和一個Flatten層的特征提取器fθ； 3對源域與目標域的嵌入特征進行子空間分類： 3a將源域支持集Ss，源域查詢集Qs，目標域支持集St，目標域查詢集Qt分別輸入到映射層與特征提取器fθ，得到源域支持集嵌入特征fθSs、源域查詢集嵌入特征fθQs、目標域支持集嵌入特征fθSt、目標域查詢集嵌入特征fθQt； 3b利用源域支持集嵌入特征fθSs構建源域子空間，并計算源域查詢集嵌入特征fθQs在源域子空間中的源域子空間損失lS； 3c計算源域支持集嵌入特征fθSs在源域子空間中的源域支持損失 3d利用目標域支持集嵌入特征fθSt構建目標域子空間，并計算目標域查詢集嵌入特征fθQt在目標域子空間中的目標域子空間損失lT； 3e計算目標域支持集嵌入特征fθSt在目標域子空間中的目標域支持損失 4將源域支持集Ss分成C個對比組，計算其輸入映射層和特征提取器的對比損失lCL； 5構建包括五個全連接層，四個ReLU非線性激活函數，四個dropout層，一個Softmax激活函數的域鑒別器fD； 6計算域鑒別損失lD： 6a將源域子空間損失lS、源域支持損失源域支持集嵌入特征fθSs、源域查詢集嵌入特征fθQs進行融合，得到源域融合特征Ths； 6b將目標域子空間損失lT、目標域支持損失目標域支持集嵌入特征fθSt、目標域查詢集嵌入特征fθQt進行融合，得到目標域融合特征Tht； 6c將源域和目標域的融合特征Ths、Tht輸入域鑒別器fD中計算域鑒別損失lD： 其中，D,T分別代表域鑒別器與特征提取器的融合特征，xs，xt分別代表源域樣本和目標域樣本，Psx，Ptx分別表示源域分布與目標域分布，DThs表示鑒別器fD預測源域融合特征Ths來源于源域的概率，表示鑒別器fD預測目標域融合特征來源于目標域的概率，E為期望輸出； 7計算總損失函數以訓練特征提取器： 計算由源域子空間損失lS，目標域子空間損失lT，對比損失lCL，域鑒別損失lD組成的總損失函數：l＝λ1lS+λ2lT+λ3lCL+lD，其中λ1、λ2、λ3分別為lS、lT、lCL的可調整參數； 通過反向傳播對特征提取器fθ進行迭代訓練直到總損失函數收斂，得到訓練好的特征提取器fθ'； 8利用測試集數據進行分類： 8a將訓練集Tr輸入到映射層和訓練好的特征提取器fθ'中，得到訓練集嵌入特征fθ'Tr，利用該特征fθ'Tr構建訓練集子空間； 8b將測試集Te輸入到映射層和訓練好的特征提取器fθ'中，得到測試集嵌入特征fθ'Te，并計算其在訓練集子空間中的測試子空間損失l'； 8c以測試子空間損失l'中最小的類別作為預測類別，完成分類任務。

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西安電子科技大學，其通訊地址為：710071 陜西省西安市雁塔區太白南路2號；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”。