買(mǎi)專利賣(mài)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)獲悉安徽大學(xué)申請(qǐng)的專利一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120356014B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12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(qǐng)?zhí)?專利號(hào)為：202510826410.X，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法是由朱洲;徐凱;李曼;檀藝洋;王云若;史然予設(shè)計(jì)研發(fā)完成，并于2025-06-19向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法。本發(fā)明包括以下步驟；構(gòu)建跨場(chǎng)景遙感影像分類數(shù)據(jù)集；構(gòu)建基于特征交互的高階類別原型生成網(wǎng)絡(luò)；構(gòu)建基于提示學(xué)習(xí)的高階因果提示生成網(wǎng)絡(luò)；訓(xùn)練并測(cè)試基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法。與現(xiàn)有技術(shù)相比，本發(fā)明通過(guò)跨場(chǎng)景遙感影像分類網(wǎng)絡(luò)，解決了現(xiàn)有遙感影像分類任務(wù)中，由于不同衛(wèi)星遙感影像之間存在風(fēng)格差異，導(dǎo)致難以將源域訓(xùn)練模型遷移至目標(biāo)域數(shù)據(jù)集的問(wèn)題。此外，本發(fā)明采用基于高階原型引導(dǎo)的提示學(xué)習(xí)方法解耦出了關(guān)鍵因果特征，從而實(shí)現(xiàn)了將源域衛(wèi)星數(shù)據(jù)上訓(xùn)練的模型有效遷移至目標(biāo)域衛(wèi)星數(shù)據(jù)的創(chuàng)新方法。

本發(fā)明授權(quán)一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法在權(quán)利要求書(shū)中公布了：1.一種基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法，其特征在于，包括以下步驟： 11構(gòu)建跨場(chǎng)景遙感影像分類數(shù)據(jù)集：獲取源域遙感影像Xs和源域遙感影像分割標(biāo)簽Ys，其中S代表源域；獲取目標(biāo)域xt遙感影像Xt，其中t代表目標(biāo)域； 12構(gòu)建基于特征交互的高階類別原型生成網(wǎng)絡(luò)：構(gòu)建輸入為遙感影像的高階特征融合的特征提取模塊；通過(guò)高階特征融合的特征提取模塊生成類別原型； 121高階類別原型生成網(wǎng)絡(luò)包括高階交互特征提取模塊和高階特征類別原型生成模塊； 122設(shè)定高階特征類別原型生成模塊，其具體步驟如下； 1221設(shè)定源域遙感影像Xs的類別原型生成與存儲(chǔ)框架：構(gòu)建高階特征交互模塊輸出的深度特征與樣本標(biāo)簽的耦合計(jì)算體系，設(shè)定原型存儲(chǔ)庫(kù)包含各語(yǔ)義類別的原型向量及其協(xié)方差統(tǒng)計(jì)量，所述框架按順序執(zhí)行以下操作： 12211輸入源域遙感影像Xs至高階特征交互模塊提取d維深度特征f； 12212對(duì)齊深度特征f與源域遙感影像分類標(biāo)簽Ys，計(jì)算每個(gè)語(yǔ)義類別的原型向量； 12213生成每個(gè)類別的原型協(xié)方差矩陣并壓縮為半正定張量存儲(chǔ)結(jié)構(gòu)； 1222設(shè)定類別原型的計(jì)算與校驗(yàn)機(jī)制； 13構(gòu)建基于提示學(xué)習(xí)的高階因果提示生成網(wǎng)絡(luò)：通過(guò)基于解耦的提示學(xué)習(xí)將源域和目標(biāo)域關(guān)于類別的高階因果提示通過(guò)梯度下降學(xué)習(xí)出來(lái)；基于解耦的提示學(xué)習(xí)使用預(yù)訓(xùn)練的多模態(tài)視覺(jué)語(yǔ)言大模型CLIP； 14訓(xùn)練并測(cè)試基于高階原型引導(dǎo)的遙感影像域適應(yīng)分類方法：通過(guò)梯度下降優(yōu)化基于特征交互的高階類別原型生成網(wǎng)絡(luò)參數(shù)并更新高階因果提示，并在目標(biāo)域遙感影像Xt上測(cè)試獲得最終分類結(jié)果。

如需購(gòu)買(mǎi)、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(qǐng)人或?qū)＠麢?quán)人安徽大學(xué)，其通訊地址為：230039 安徽省合肥市蜀山區(qū)肥西路3號(hào)；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)”。