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)獲悉濟(jì)南大學(xué)申請(qǐng)的專利一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)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(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120088473B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-26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：202510034460.4，技術(shù)領(lǐng)域涉及：G06V10/26；該發(fā)明授權(quán)一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)是由徐濤;肖晨昕;陳偉平;劉蘭玉;張瀚設(shè)計(jì)研發(fā)完成，并于2025-01-09向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)在說明書摘要公布了：發(fā)明名稱：一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)摘要：本申請(qǐng)公開了一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)。其實(shí)現(xiàn)步驟為：構(gòu)造邊緣紋理特征增強(qiáng)結(jié)構(gòu)；將邊緣紋理增強(qiáng)結(jié)構(gòu)引入到SegNext語義分割模型當(dāng)中；劃分遙感影像分割數(shù)據(jù)集生成訓(xùn)練樣本集、驗(yàn)證樣本集和測(cè)試樣本集；對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理；利用神經(jīng)網(wǎng)絡(luò)來初步提取光學(xué)遙感圖像的精細(xì)特征，再用通道注意力和空間狀態(tài)模型的邊緣紋理增強(qiáng)解碼器訓(xùn)練模型；最后將測(cè)試樣本數(shù)據(jù)送入已經(jīng)訓(xùn)練好的注意力和空間狀態(tài)模型的邊緣紋理增強(qiáng)模型得到測(cè)試結(jié)果。本發(fā)明專利利用構(gòu)建的邊緣紋理特征增強(qiáng)模塊和SegNext語義分割模型進(jìn)行協(xié)同訓(xùn)練，在保證地物特征同時(shí)增強(qiáng)邊緣紋理特征，提高了分割的準(zhǔn)確性。

本發(fā)明授權(quán)一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種融合注意力和空間狀態(tài)模型的邊緣增強(qiáng)遙感圖像分割方法，其特征在于，改變?cè)心Ｐ偷慕Y(jié)構(gòu)，使用跳躍連接進(jìn)行拼接，利用卷積神經(jīng)網(wǎng)絡(luò)提取光學(xué)遙感圖像的精細(xì)特征圖，使用多階段的編碼器-解碼器結(jié)構(gòu)融合特征圖，在解碼器中使用結(jié)合了通道注意力的空間狀態(tài)模型的邊緣增強(qiáng)模塊用于邊緣增強(qiáng)，該方法的具體步驟包括如下： 步驟1，設(shè)計(jì)結(jié)合通道注意力和空間狀態(tài)模型的邊緣增強(qiáng)模塊： 在VMamba的VSS塊中添加通道注意力機(jī)制；VSS塊的結(jié)構(gòu)是：歸一化后，輸入被分為兩個(gè)分支；在第一個(gè)分支中，輸入通過線性層并計(jì)算通道注意力，然后通過激活函數(shù)；在第二個(gè)分支中，輸入通過線性層、深度可分離卷積和激活函數(shù)進(jìn)行處理，然后輸入2D選擇性掃描SS2D模塊以進(jìn)行進(jìn)一步的特征提??；隨后，使用層歸一化對(duì)特征進(jìn)行歸一化，然后使用第一個(gè)分支的輸出執(zhí)行按元素生成以合并兩個(gè)路徑；最后，使用線性層和通道注意力的乘積混合特征，并將此結(jié)果與殘差連接相結(jié)合以形成VSS塊的輸出；其中，將通道注意力機(jī)制添加到第一個(gè)分支的線性層后構(gòu)建邊緣增強(qiáng)模塊； 步驟2，將構(gòu)建好的邊緣增強(qiáng)模塊添加進(jìn)SegNext模型中： SegNext模型的編碼器擁有4個(gè)階段的輸出，將構(gòu)建好的邊緣增強(qiáng)模塊放到最后一個(gè)階段之后，并在解碼器對(duì)應(yīng)的4個(gè)上采樣階段后同時(shí)添加邊緣增強(qiáng)模塊； 步驟3，建立跳躍連接結(jié)構(gòu)： 將SegNext模型編碼器與解碼器各4個(gè)階段的輸出相加，建立跳躍連接； 步驟4，劃分地物分割數(shù)據(jù)集生成訓(xùn)練樣本集、驗(yàn)證樣本集和測(cè)試樣本集： 選取一些標(biāo)注好的分割遙感圖像，選取至少500張不要求大小的遙感影像分割數(shù)據(jù)，其中訓(xùn)練集，驗(yàn)證集和測(cè)試集按照8：1：1的比例劃分； 步驟5，預(yù)處理遙感分割數(shù)據(jù)集： 首先對(duì)每個(gè)batch中的圖像進(jìn)行隨機(jī)裁剪，隨機(jī)翻轉(zhuǎn)等預(yù)處理，將圖像裁剪為512*512大??； 步驟6，利用修改后的邊緣增強(qiáng)結(jié)構(gòu)SegNext網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)集： 第一步，將預(yù)處理之后的訓(xùn)練樣本輸入至SegNext的骨干網(wǎng)絡(luò)MSCAN中進(jìn)行特征的提取，生成4層不同的特征； 第二步，將這4個(gè)不同層級(jí)的特征圖進(jìn)行上采樣，在上采樣的過程中，經(jīng)過構(gòu)建好的邊緣增強(qiáng)模塊，分別得到4個(gè)不同的邊緣紋理特征，使用跳躍連接將這4層特征融合后得到融合后的4個(gè)特征圖，最后將這4層融合的特征圖送入分割頭進(jìn)行類別預(yù)測(cè)，然后和真實(shí)標(biāo)簽計(jì)算交叉熵?fù)p失； 步驟7，得到分割結(jié)果： 將測(cè)試樣本數(shù)據(jù)送入已經(jīng)訓(xùn)練好的SegNext邊緣特征增強(qiáng)模型得到測(cè)試結(jié)果； 步驟8，性能評(píng)估： 利用步驟7中預(yù)測(cè)的結(jié)果圖與待預(yù)測(cè)的遙感圖像的標(biāo)簽圖計(jì)算類別評(píng)價(jià)指標(biāo)和整體評(píng)價(jià)指標(biāo)，評(píng)估網(wǎng)絡(luò)性能； 評(píng)價(jià)指標(biāo)的類別包括： 交并比IoU： 公式中，i表示正例；j表示反例；IoU表示交并比，即每一類預(yù)測(cè)結(jié)果和真實(shí)值的交集與并集比值；pii表示真實(shí)類別為i標(biāo)識(shí)為類別i的像素?cái)?shù)目總數(shù)，即真正例TP；pij表示真實(shí)類別為j標(biāo)識(shí)為類別i的像素?cái)?shù)目總數(shù)，即假正例FP；pji表示真實(shí)類別為i標(biāo)識(shí)為類別j的像素?cái)?shù)目總數(shù)假反例FN； 平均像素精度MPA: 公式中，k表示總的類別數(shù)，i表示正例；j表示反例；pii表示真實(shí)類別為i標(biāo)識(shí)為類別i的像素?cái)?shù)目總數(shù)，即真正例TP；pij表示真實(shí)類別為j標(biāo)識(shí)為類別i的像素?cái)?shù)目總數(shù)，即假正例FP。

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(qǐng)人或?qū)＠麢?quán)人濟(jì)南大學(xué)，其通訊地址為：250022 山東省濟(jì)南市市中區(qū)七賢街道二環(huán)南路336號(hào)濟(jì)南大學(xué)；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)”。