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！

龍圖騰網獲悉南京理工大學申請的專利基于內容編碼的無監督變化檢測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：CN114494154B 。

龍圖騰網通過國家知識產權局官網在2025-09-09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：202111670468.8，技術領域涉及：G06T7/00；該發明授權基于內容編碼的無監督變化檢測方法是由劉嘉;張文華;劉芳;肖亮;江凱旋;李東徽設計研發完成，并于2021-12-30向國家知識產權局提交的專利申請。

本基于內容編碼的無監督變化檢測方法在說明書摘要公布了：本發明公開了一種基于內容編碼的無監督變化檢測方法，包括以下步驟：構造內容編碼網絡結構；建立變化檢測的概率函數模型；定義掩碼損失函數來測量內容編碼之間的偏差；構造內容約束函數，根據對象來約束對圖像的差分結果；結合掩碼損失函數和內容約束函數來定義能量函數進行訓練得到變化檢測結果。該方法可以有效避免現有變化檢測方法對于精確配準的依賴，可適用于大多數變化檢測問題，包括現有方法無法解決的多視角圖像的無監督變化檢測問題。

本發明授權基于內容編碼的無監督變化檢測方法在權利要求書中公布了：1.一種基于內容編碼的無監督變化檢測方法，其特征在于，包括以下步驟： 第一步，構建一個基于卷積神經網絡的內容提取網絡，將輸入圖像編碼，輸出為一個沒有參考標簽的特征向量； 第二步，假設網絡輸出向量中的每個元素表示輸入圖像中的某個內容，通過輸入兩幅圖像得到兩個圖像的編碼，在編碼的基礎上定義內容對齊損失函數； 第二步為了學習網絡，假設網絡輸出向量中的每個元素表示輸入圖像中的某個內容，通過輸入兩幅圖像得到兩個圖像的編碼，在編碼的基礎上定義內容對齊損失函數，學習輸入圖像的分布；具體過程為： 1概率模型定義為： 其中Z為配分函數，u是一個偽概率向量，表示每個內容對象的不變概率；通過最大化概率的對數似然來優化概率模型，增加輸入數據I1、I2的能量，同時降低所有其他數據的能量，網絡可學習兩幅圖像之間的關系； 2通過對變化檢測的定義來設計能量函數EI1,I2,u,θ，該能量函數對兩幅圖像中相同的內容進行對齊，特征向量v1＝fθI1和v2＝fθI2中不變內容的成分相似，因此定義兩幅圖像的對齊損失，表示如下： 其中,i是特征向量的分量索引，u是一個偽概率向量，表示每個內容對象的不變概率，它是一個可訓練的參數，將與網絡參數集θ一起進行訓練； 第三步，優化能量模型，定義編碼的內容約束函數以滿足內容假設，定義內容約束，通過約束來實現每個編碼的元素表示一種內容，具體過程為： 其中i,j,k表示第k個通道中i,j的像素，Ωi,j表示像素i,j正方形鄰域；δI表示輸出特征向量v相對于輸入圖像I的微分系數，表示如下： 其中ω表示每個像素鄰域內的權重矩陣，由相鄰像素與中心像素的差值計算而得，表示如下： 其中，σ表示鄰域內像素的標準差； 第四步，將對齊損失函數和內容約束函數進行組合并建立基于能量的概率模型，將能量模型定義為具有內容約束的兩個特征向量之間的差值，通過結合得到以下能量函數： EI1,I2,θ,u＝LI1,I2,θ,u+λ[CI1,θ+CI2,θ] 其中，λ是一個用戶定義的參數，控制這兩項權重，然后將能量函數設置為變化檢測的概率模型，根據概率模型的對數似然梯度來計算概率模型的優化框架，表達如下： 其中I' 1,I' 2表示數據空間內的所有可能數據；增加相對于輸入數據的概率使用對比散度算法來保證效率；參數更新梯度如下： 從上述導數來看，優化的基本算子是梯度；在整個優化過程中，必須推導出兩種類型的梯度，包括可訓練參數和輸入數據的梯度；在能量函數中有兩項，分別推導出它們的梯度；通過反向傳播算法，得到對準損失的梯度如下： 對于內容梯度，也可以得出類似梯度，公式如下： 相應的的梯度也可以求出，公式如下： 其中lk表示網絡第k層的輸出； 利用上述梯度，更新模型；將u作為一個sigmoid函數u＝sigmoidt，然后t可以通過以下公式更新： 經過優化后，特征向量v1和v2可以表示兩個圖像I1和I2中的內容；標記輸入圖像的變化像素，突出顯示輸入圖像的變化內容； 第五步，優化后，比較兩幅圖像的特征向量，求解概率模型，首先定義不變的損失函數，公式如下： 其中Lc表示未變化的損失，用來作為概率模型的能量函數；⊙表示點乘，M1和M2是其在[0,1]范圍內的變化掩膜；建立概率模型如下： PcI1,I2；M1,M2為所要求解的概率模型，Z為配分函數 雖然與PI1,I2；u,θ不同，但這里的優化參數M1,M2，可以根據上述描述得到優化過程；定義Mk＝sigmoidSk,k＝1,2；優化過程包括采樣和更新參數，在采樣過程中，采樣數據I'1,I'2通過梯度得到然后對參數S1，S2進行更新，公式如下： 第六步，比較兩幅圖像的特征向量，通過優化變化區域中的變化掩膜，生成變化區域，最后使用FLICM的圖像聚類算法生成差異圖。

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南京理工大學，其通訊地址為：210094 江蘇省南京市孝陵衛200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”。