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！

龙图腾网获悉南京理工大学申请的专利图像间变化检测的局部和全局深度对比特征学习网络构建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：CN114241208B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202111605921.7，技术领域涉及：G06V10/42；该发明授权图像间变化检测的局部和全局深度对比特征学习网络构建方法是由肖亮;张皓程;虎玲设计研发完成，并于2021-12-25向国家知识产权局提交的专利申请。

本图像间变化检测的局部和全局深度对比特征学习网络构建方法在说明书摘要公布了：本发明公开了一种图像间变化检测的局部和全局深度对比特征学习网络构建方法，包括：对输入图像进行编码获得全局高维表示特征；构造特征域与全局特征相似的正样本数据和不相似的负样本数据；度量全局特征与构建的正负样本数据之间的关联程度；建立特征域层级化输入的带约束先验模型；获得最优的编码表示特征；迭代优化概率模型，求解差异概率图矩阵；输出二值变化结果图。本发明充分利用特征域层级化输入的结构信息，构建一个基于正负样本的全局特征、局部特征和先验损失三项的网络损失函数，通过优化损失函数更新编码器的参数，使得编码器能有效地学习图像间的局部和全局深度对比特征，体现抽象的语义信息和空间信息的关联性。

本发明授权图像间变化检测的局部和全局深度对比特征学习网络构建方法在权利要求书中公布了：1.一种图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，包括如下步骤： 1利用网络对输入图像进行编码获得全局高维表示特征和中间层特征； 输入不同时期同一场景的两幅图像：X1∈RW×H和X2∈RW×H，W表示图像的宽度，H表示图像的高度；将原始图像按像素随机取块xi，i＝1,2,...,N，块xi拉成一个一维向量作为编码器Εψxi的输入，获得特征域的全局高维表示特征yψ和中间层特征Mψ，全局高维特征表示最后一层特征；编码特征表示的具体步骤如下： 1编码器EψX的网络结构 一幅图像X作为编码网络的输入，经过卷积层和全连接层获得编码特征表示其中，yψ表示编码特征表示的高维特征表示，Mψ表示编码特征表示的中间层特征表示，表示第nfc个全连接层，表示第ncov个卷积层； 2对一幅输入的图像X1按像素随机取块xi，i＝1,2,...,N，N表示X1图像取块的个数，块xi拉成一个一维向量作为编码器Eψxi的输入，获得SAR图像X1在特征域的全局表示特征yψ和全局中间层特征Mψ； 3对另一幅输入的图像X2按像素随机取块xi，i＝1,2,...,N，N表示X2图像取块的个数，块xi拉成一个一维向量作为编码器Eψxi的输入，获得光学图像X2在特征域的全局表示特征yψ和全局中间层特征Mψ； 2构造全局正负样本数据和局部正负样本数据，具体过程为： 全局正负样本数据：中间层特征Mψ作为全局正样本数据；将每个批次的第一张图片的中间层特征与该批次的末尾特征合并，构造全局负样本数据M_primeψ； 局部正负样本数据：将中间层特征Mψ与全局高维特征yψ拼接，得到局部正样本数据y_Mψ；将全局负样本的中间层特征M_primeψ和高维特征yψ拼接，得到局部负样本数据y_M_primeψ； 3构造对比损失函数： 全局特征损失函数定义为： 其中，表示全局特征判别器，Sp表示激活函数，E表示求期望； 局部特征损失函数定义为： 其中，表示局部特征判别器； 先验损失函数PRIORφ,ψ为： PRIORφ,ψ＝-logPφyrand+log1-Pφyψ 其中，Pφ表示先验判别器，yrand为服从U0,1均匀分布的随机向量，与yψ的大小保持一致； 三部分损失构成总的损失函数，具体定义如下： 其中，α,β和γ为正则化参数； 4求解差异概率图矩阵； 5对差异概率图矩阵进行聚类，输出二值变化结果图。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200号；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”。