买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中南大学申请的专利基于自监督对比学习的跨域遥感场景分类与检索方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115471739B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210927707.1，技术领域涉及：G06V20/10；该发明授权基于自监督对比学习的跨域遥感场景分类与检索方法是由王思远;侯东阳设计研发完成，并于2022-08-03向国家知识产权局提交的专利申请。

本基于自监督对比学习的跨域遥感场景分类与检索方法在说明书摘要公布了：本发明涉及基于自监督对比学习的跨域遥感场景分类与检索方法，包括如下步骤：A获取遥感图像，构建输入数据；B基于自监督对比学习并结合目标域图像的已知类样本和未知类样本构建损失函数，并构建深度域适应学习网络，并利用输入数据和损失函数对其进行训练；C利用深度域适应学习网络对目标域图像进行分类，提取目标域图像的目标图像特征向量构建特征数据库，提取目标域查询图像的查询图像特征向量，计算查询图像特征向量与特征数据库中的目标图像特征向量的欧式距离，以基于欧式距离选出所需的检索目标。本发明的基于自监督对比学习的跨域遥感场景分类与检索方法能够在目标域存在未知类别的情况下仍具有良好的跨域分类与检索精度。

本发明授权基于自监督对比学习的跨域遥感场景分类与检索方法在权利要求书中公布了：1.基于自监督对比学习的跨域遥感场景分类与检索方法，其特征在于，包括如下步骤： A）获取遥感图像，并划分所述遥感图像的源域图像与目标域图像，以构建输入数据； B）基于自监督对比学习并结合所述目标域图像的已知类样本和未知类样本构建损失函数，构建深度域适应学习网络，并利用所述输入数据和所述损失函数训练所述深度域适应学习网络； C）利用训练好的所述深度域适应学习网络对所述目标域图像进行分类，提取所述目标域图像的目标图像特征向量构建特征数据库，提取目标域查询图像的查询图像特征向量，计算所述查询图像特征向量与所述特征数据库中所有的所述目标图像特征向量的欧式距离，按欧式距离进行排列，并按照设定的欧氏距离范围，得出所需的检索目标； 所述深度域适应学习网络包括多个特征编码网络、多个对比学习网络和多个分类器； 所述损失函数的构建步骤包括： B11构建源域分类损失：对所述源域图像进行有监督学习，采取交叉熵损失计算其分类的准确性： 其中，为分类损失函数，表示所述源域图像的源域有标注图像的真实类别分布，函数表示所述分类器输出的源域弱增强样本类别概率分布，表示源域有标注图像的标签样本的合集； B12构建自监督对比损失：构建所述目标域图像的目标域强增强样本和目标域弱增强样本，以计算对比损失： 其中，其中sim是相似性度量函数，是缩放因子，A∈{0,1}是一个指示函数，用于评估k与是否等于，B表示一次训练所选取的样本数； B13构建已知类识别损失为： 其中，表示一次训练内满足已知类阈值选择要求的样本比例，表示交叉熵损失，为由所述目标域弱增强样本筛选得到的目标域已知类伪标签的合集，表示所述目标域弱增强样本由所述已知类伪标签筛选后所属的类别，且，表示所述目标域强增强样本的预测类别概率分布，表示目标域强增强样本的标签样本的合集； B14构建未知类识别损失：未知类识别损失为高置信度未知类别样本的一致性分类损失： 其中，为由所述目标域弱增强样本筛选得到的目标域未知类伪标签的合集，表示所述目标域强增强样本的预测类别概率分布； B15）构建的总损失函数为： 其中，和为权衡模型优化目标的参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中南大学，其通讯地址为：410083 湖南省长沙市岳麓区中南大学校本部；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。