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)獲悉南京理工大學(xué)申請的專利圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法獲國家發(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：CN114241208B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-05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：202111605921.7，技術(shù)領(lǐng)域涉及：G06V10/42；該發(fā)明授權(quán)圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法是由肖亮;張皓程;虎玲設(shè)計研發(fā)完成，并于2021-12-25向國家知識產(chǎn)權(quán)局提交的專利申請。

本圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法在說明書摘要公布了：本發(fā)明公開了一種圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法，包括：對輸入圖像進(jìn)行編碼獲得全局高維表示特征；構(gòu)造特征域與全局特征相似的正樣本數(shù)據(jù)和不相似的負(fù)樣本數(shù)據(jù)；度量全局特征與構(gòu)建的正負(fù)樣本數(shù)據(jù)之間的關(guān)聯(lián)程度；建立特征域?qū)蛹壔斎氲膸Ъs束先驗(yàn)?zāi)Ｐ停猾@得最優(yōu)的編碼表示特征；迭代優(yōu)化概率模型，求解差異概率圖矩陣；輸出二值變化結(jié)果圖。本發(fā)明充分利用特征域?qū)蛹壔斎氲慕Y(jié)構(gòu)信息，構(gòu)建一個基于正負(fù)樣本的全局特征、局部特征和先驗(yàn)損失三項(xiàng)的網(wǎng)絡(luò)損失函數(shù)，通過優(yōu)化損失函數(shù)更新編碼器的參數(shù)，使得編碼器能有效地學(xué)習(xí)圖像間的局部和全局深度對比特征，體現(xiàn)抽象的語義信息和空間信息的關(guān)聯(lián)性。

本發(fā)明授權(quán)圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法在權(quán)利要求書中公布了：1.一種圖像間變化檢測的局部和全局深度對比特征學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方法，其特征在于，包括如下步驟： 1利用網(wǎng)絡(luò)對輸入圖像進(jìn)行編碼獲得全局高維表示特征和中間層特征； 輸入不同時期同一場景的兩幅圖像：X1∈RW×H和X2∈RW×H，W表示圖像的寬度，H表示圖像的高度；將原始圖像按像素隨機(jī)取塊xi，i＝1,2,...,N，塊xi拉成一個一維向量作為編碼器Εψxi的輸入，獲得特征域的全局高維表示特征yψ和中間層特征Mψ，全局高維特征表示最后一層特征；編碼特征表示的具體步驟如下： 1編碼器EψX的網(wǎng)絡(luò)結(jié)構(gòu) 一幅圖像X作為編碼網(wǎng)絡(luò)的輸入，經(jīng)過卷積層和全連接層獲得編碼特征表示其中，yψ表示編碼特征表示的高維特征表示，Mψ表示編碼特征表示的中間層特征表示，表示第nfc個全連接層，表示第ncov個卷積層； 2對一幅輸入的圖像X1按像素隨機(jī)取塊xi，i＝1,2,...,N，N表示X1圖像取塊的個數(shù)，塊xi拉成一個一維向量作為編碼器Eψxi的輸入，獲得SAR圖像X1在特征域的全局表示特征yψ和全局中間層特征Mψ； 3對另一幅輸入的圖像X2按像素隨機(jī)取塊xi，i＝1,2,...,N，N表示X2圖像取塊的個數(shù)，塊xi拉成一個一維向量作為編碼器Eψxi的輸入，獲得光學(xué)圖像X2在特征域的全局表示特征yψ和全局中間層特征Mψ； 2構(gòu)造全局正負(fù)樣本數(shù)據(jù)和局部正負(fù)樣本數(shù)據(jù)，具體過程為： 全局正負(fù)樣本數(shù)據(jù)：中間層特征Mψ作為全局正樣本數(shù)據(jù)；將每個批次的第一張圖片的中間層特征與該批次的末尾特征合并，構(gòu)造全局負(fù)樣本數(shù)據(jù)M_primeψ； 局部正負(fù)樣本數(shù)據(jù)：將中間層特征Mψ與全局高維特征yψ拼接，得到局部正樣本數(shù)據(jù)y_Mψ；將全局負(fù)樣本的中間層特征M_primeψ和高維特征yψ拼接，得到局部負(fù)樣本數(shù)據(jù)y_M_primeψ； 3構(gòu)造對比損失函數(shù)： 全局特征損失函數(shù)定義為： 其中，表示全局特征判別器，Sp表示激活函數(shù)，E表示求期望； 局部特征損失函數(shù)定義為： 其中，表示局部特征判別器； 先驗(yàn)損失函數(shù)PRIORφ,ψ為： PRIORφ,ψ＝-logPφyrand+log1-Pφyψ 其中，Pφ表示先驗(yàn)判別器，yrand為服從U0,1均勻分布的隨機(jī)向量，與yψ的大小保持一致； 三部分損失構(gòu)成總的損失函數(shù)，具體定義如下： 其中，α,β和γ為正則化參數(shù)； 4求解差異概率圖矩陣； 5對差異概率圖矩陣進(jìn)行聚類，輸出二值變化結(jié)果圖。

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)人南京理工大學(xué)，其通訊地址為：210094 江蘇省南京市孝陵衛(wèi)200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)”。