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基于内容编码的无监督变化检测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：CN114494154B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202111670468.8，技术领域涉及：G06T7/00；该发明授权基于内容编码的无监督变化检测方法是由刘嘉;张文华;刘芳;肖亮;江凯旋;李东徽设计研发完成，并于2021-12-30向国家知识产权局提交的专利申请。

本基于内容编码的无监督变化检测方法在说明书摘要公布了：本发明公开了一种基于内容编码的无监督变化检测方法，包括以下步骤：构造内容编码网络结构；建立变化检测的概率函数模型；定义掩码损失函数来测量内容编码之间的偏差；构造内容约束函数，根据对象来约束对图像的差分结果；结合掩码损失函数和内容约束函数来定义能量函数进行训练得到变化检测结果。该方法可以有效避免现有变化检测方法对于精确配准的依赖，可适用于大多数变化检测问题，包括现有方法无法解决的多视角图像的无监督变化检测问题。

本发明授权基于内容编码的无监督变化检测方法在权利要求书中公布了：1.一种基于内容编码的无监督变化检测方法，其特征在于，包括以下步骤： 第一步，构建一个基于卷积神经网络的内容提取网络，将输入图像编码，输出为一个没有参考标签的特征向量； 第二步，假设网络输出向量中的每个元素表示输入图像中的某个内容，通过输入两幅图像得到两个图像的编码，在编码的基础上定义内容对齐损失函数； 第二步为了学习网络，假设网络输出向量中的每个元素表示输入图像中的某个内容，通过输入两幅图像得到两个图像的编码，在编码的基础上定义内容对齐损失函数，学习输入图像的分布；具体过程为： 1概率模型定义为： 其中Z为配分函数，u是一个伪概率向量，表示每个内容对象的不变概率；通过最大化概率的对数似然来优化概率模型，增加输入数据I1、I2的能量，同时降低所有其他数据的能量，网络可学习两幅图像之间的关系； 2通过对变化检测的定义来设计能量函数EI1,I2,u,θ，该能量函数对两幅图像中相同的内容进行对齐，特征向量v1＝fθI1和v2＝fθI2中不变内容的成分相似，因此定义两幅图像的对齐损失，表示如下： 其中,i是特征向量的分量索引，u是一个伪概率向量，表示每个内容对象的不变概率，它是一个可训练的参数，将与网络参数集θ一起进行训练； 第三步，优化能量模型，定义编码的内容约束函数以满足内容假设，定义内容约束，通过约束来实现每个编码的元素表示一种内容，具体过程为： 其中i,j,k表示第k个通道中i,j的像素，Ωi,j表示像素i,j正方形邻域；δI表示输出特征向量v相对于输入图像I的微分系数，表示如下： 其中ω表示每个像素邻域内的权重矩阵，由相邻像素与中心像素的差值计算而得，表示如下： 其中，σ表示邻域内像素的标准差； 第四步，将对齐损失函数和内容约束函数进行组合并建立基于能量的概率模型，将能量模型定义为具有内容约束的两个特征向量之间的差值，通过结合得到以下能量函数： EI1,I2,θ,u＝LI1,I2,θ,u+λ[CI1,θ+CI2,θ] 其中，λ是一个用户定义的参数，控制这两项权重，然后将能量函数设置为变化检测的概率模型，根据概率模型的对数似然梯度来计算概率模型的优化框架，表达如下： 其中I' 1,I' 2表示数据空间内的所有可能数据；增加相对于输入数据的概率使用对比散度算法来保证效率；参数更新梯度如下： 从上述导数来看，优化的基本算子是梯度；在整个优化过程中，必须推导出两种类型的梯度，包括可训练参数和输入数据的梯度；在能量函数中有两项，分别推导出它们的梯度；通过反向传播算法，得到对准损失的梯度如下： 对于内容梯度，也可以得出类似梯度，公式如下： 相应的的梯度也可以求出，公式如下： 其中lk表示网络第k层的输出； 利用上述梯度，更新模型；将u作为一个sigmoid函数u＝sigmoidt，然后t可以通过以下公式更新： 经过优化后，特征向量v1和v2可以表示两个图像I1和I2中的内容；标记输入图像的变化像素，突出显示输入图像的变化内容； 第五步，优化后，比较两幅图像的特征向量，求解概率模型，首先定义不变的损失函数，公式如下： 其中Lc表示未变化的损失，用来作为概率模型的能量函数；⊙表示点乘，M1和M2是其在[0,1]范围内的变化掩膜；建立概率模型如下： PcI1,I2；M1,M2为所要求解的概率模型，Z为配分函数 虽然与PI1,I2；u,θ不同，但这里的优化参数M1,M2，可以根据上述描述得到优化过程；定义Mk＝sigmoidSk,k＝1,2；优化过程包括采样和更新参数，在采样过程中，采样数据I'1,I'2通过梯度得到然后对参数S1，S2进行更新，公式如下： 第六步，比较两幅图像的特征向量，通过优化变化区域中的变化掩膜，生成变化区域，最后使用FLICM的图像聚类算法生成差异图。

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”。