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！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉杭州師范大學(xué)申請的專利一種基于深度學(xué)習(xí)的遙感地物分類方法獲國家發(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：CN115908922B 。

龍圖騰網(wǎng)通過國家知識產(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?zhí)?專利號為：202211460368.7，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的遙感地物分類方法是由王奔;趙啟航;周斌設(shè)計研發(fā)完成，并于2022-11-17向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的遙感地物分類方法在說明書摘要公布了：本發(fā)明公開了一種基于深度學(xué)習(xí)的遙感地物分類方法，本發(fā)明包括獲取遙感地物分類數(shù)據(jù)集，構(gòu)建遙感圖像生成模型，將遙感地物分類數(shù)據(jù)集輸入至遙感圖像生成模型中，實現(xiàn)數(shù)據(jù)增強；構(gòu)建用于遙感地物分類的神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)增強后的遙感地物分類數(shù)據(jù)集輸入至神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練，訓(xùn)練后生成最優(yōu)權(quán)重。將任意遙感圖像輸入訓(xùn)練后的模型，生成遙感地物分類圖像。本發(fā)明通過對遙感地物圖像進行數(shù)據(jù)增強，平衡改善了各地物類型占比情況，提高了整體地物分類精度。通過構(gòu)建的網(wǎng)絡(luò)模型進行遙感地物分類，增強了對不規(guī)則大尺寸地物類型的提取效果，改善了遙感地物小目標(biāo)細節(jié)較難提取和復(fù)雜地物邊緣難以區(qū)分的問題，提高遙感地物分類的總體精度。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的遙感地物分類方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的遙感地物分類方法，其特征在于：具體包括如下步驟： 步驟一、獲取遙感地物分類數(shù)據(jù)集，數(shù)據(jù)集包括遙感地物分類的原始圖像和及其對應(yīng)的原始標(biāo)注；將數(shù)據(jù)集分為訓(xùn)練集和驗證集，訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，驗證集用于驗證神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后對遙感地物分類的精度效果； 步驟二、基于條件生成對抗網(wǎng)絡(luò)模型中的pix2pix算法構(gòu)建遙感圖像生成模型： 遙感圖像生成模型采用U-Net框架，包括編碼器、解碼器以及用于連接低層語義信息和高層語義信息的跳躍連接；編碼器采用ResNet50結(jié)構(gòu)，跳躍連接部分添加通道注意力機制，使網(wǎng)絡(luò)模型重視有效地物特征信息，忽視不必要特征信息；解碼器模型包括上采樣層和卷積層； 步驟三、將步驟一中遙感地物分類數(shù)據(jù)集輸入至步驟二構(gòu)建的遙感圖像生成模型中進行訓(xùn)練，根據(jù)遙感地物分類數(shù)據(jù)集實際地表狀況和標(biāo)注圖情況，人工繪制標(biāo)簽圖；將人工繪制的標(biāo)簽圖輸入至遙感圖像生成模型中生成遙感圖像，并且將該部分遙感圖像和標(biāo)簽圖加入至原遙感地物分類數(shù)據(jù)集中，實現(xiàn)數(shù)據(jù)增強； 步驟四、構(gòu)建用于遙感地物分類的神經(jīng)網(wǎng)絡(luò)模型： 遙感地物分類的神經(jīng)網(wǎng)絡(luò)模型采用U型框架，包括編碼器、解碼器以及跳躍連接； 在編碼器中，分為五個階段，第一階段至第四階段會將最終地物特征圖數(shù)據(jù)輸入至跳躍連接中，第五階段將最終圖像數(shù)據(jù)結(jié)果輸出至解碼器；每個階段采用大型卷積核和小型卷積核同時進行圖像特征提取，使用結(jié)構(gòu)重參數(shù)化方法，將大型卷積核和小型卷積核進行同步訓(xùn)練，將二者的特征提取結(jié)果進行結(jié)合；將小型卷積核優(yōu)化后的參數(shù)并入至大型卷積核參數(shù)中進行雙重優(yōu)化； 在跳躍連接結(jié)構(gòu)中加入通道注意力機制，使網(wǎng)絡(luò)模型更重視關(guān)鍵語義信息，并將其與長短期記憶結(jié)構(gòu)門控機制進行結(jié)合，使高層語義信息具備引導(dǎo)低層語義信息通道權(quán)重的能力，使通道注意力機制分配的權(quán)重更為合理； 在解碼器中通過上采樣操作使圖像尺寸進行擴大，每一階段都會將該階段跳躍連接所輸入的地物特征數(shù)據(jù)和上一階段上采樣操作后的特征數(shù)據(jù)進行拼接，并進行兩次卷積操作后再進行上采樣操作，使特征圖像數(shù)據(jù)逐步恢復(fù)至原始圖像尺寸大小； 步驟五、將步驟三數(shù)據(jù)增強后的遙感地物分類數(shù)據(jù)集輸入至步驟四所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練，訓(xùn)練后生成最優(yōu)權(quán)重；將任意遙感圖像輸入訓(xùn)練后的模型，生成遙感地物分類圖像。

如需購買、轉(zhuǎn)讓、實施、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)人杭州師范大學(xué)，其通訊地址為：311121 浙江省杭州市余杭區(qū)余杭塘路2318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)”。