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！

龙图腾网获悉中国人民解放军国防科技大学;西北工业大学申请的专利一种基于纹理无关特征的跨光谱图像语义分割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：CN117315240B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202311011045.4，技术领域涉及：G06V10/26；该发明授权一种基于纹理无关特征的跨光谱图像语义分割方法是由刘煜;赖世铭;王庆;李嘉豪设计研发完成，并于2023-08-11向国家知识产权局提交的专利申请。

本一种基于纹理无关特征的跨光谱图像语义分割方法在说明书摘要公布了：本发明提供了一种基于纹理无关特征的跨光谱图像语义分割方法，提取纹理无关特征，基于纹理无关特征进行语义分割，通过风格化图像生成大量同一结构但不同纹理的训练数据，通过全对称累积式纹理无关损失显式地惩罚网络学习到与纹理相关的信息，通过基于结构信息的重构损失要求网络提取的特征包含有足够恢复语义的非纹理信息，通过任务导向微调方法使模型参数更好的向下游任务偏置。本发明可在其他所有光谱上运行的跨光谱语义分割效果，对的顺序进行任意置换不会改变损失函数值，从而更好的考量所有风格的编码对于真实隐空间分布的相似度，能达到更好的训练性能。

本发明授权一种基于纹理无关特征的跨光谱图像语义分割方法在权利要求书中公布了：1.一种基于纹理无关特征的跨光谱图像语义分割方法，其特征在于包括如下步骤： S1.提取纹理无关特征 纹理无关特征特征提取的训练方法按如下步骤进行： S1.1对于训练集中的第i个训练数据xi，首先通过风格迁移方法将xi转变为多种不同风格的图像 S1.2对于每一张风格化图像利用ResNet、ViT以及PVT的任一特征提取网络f进行特征提取，获得的隐空间编码 S1.3利用反卷积神经网络、自注意力解码器、Transformer解码器的任一重构模块g从隐空间编码中重构出原始图像 S1.4计算全对称累积式纹理无关损失和基于结构信息的重构损失Lr＝a·ssimx',x+b·edgex',x，其中loss·,·为均方误差、KL散度、交叉熵、余弦损失函数的任一衡量相似性的二元损失函数，表示的平均值；ssim是结构相似度损失，edge是边缘损失；a、b和c均为系数超参数；同时受到稀疏自编码器和收缩自编码器的启发，加入稀疏惩罚损失Ls和敏感度惩罚损失Lc，获得最终损失L＝Lt+Lr+Ls+Lc，计算出最终损失值后，损失值的梯度前向传播到网络参数中，并以该梯度作为网络参数的改变量，通过此过程对网络进行训练； S2.基于纹理无关特征进行跨光谱语义分割 具体方法为： 对于任一光谱的图像x，首先根据步骤S1提取其纹理无关特征z，再利用反卷积神经网络、自注意力解码器、Transformer解码器方法在内的任一神经网络算法对隐空间编码z进行上采样，最后通过softmax层以预测每个像素的类别y，整个模块记为s，从输入输出上看，模块s输入一个隐空间编码，输出一个语义分割结果的掩模图，为跨光谱语义分割网络的运行流程，该网络在训练时采用损失函数为均方误差或交叉熵进行训练； S3.任务导向微调 当纹理无关特征提取模块和跨光谱语义分割模块训练完成后，用所有训练数据对纹理无关特征提取模块进行微调，微调步骤为： 如果训练数据为带有标签的数据，则在训练纹理无关特征提取网络时，根据训练网络时的试验效果，将训练数据总数乘以比例α，得到被选中的数据，α取0.3，将被选中的数据送往下游的跨光谱语义分割模块中，用语义分割模块产生的损失梯度训练网络，以使纹理无关特征提取网络与下游算法更好地适配；其余未被选中的数据按照步骤S1，送入重构模块进行训练； S4.将训练好的模型部署在所需的平台上；在运行时，将待分割图像x送入纹理无关特征提取模块f，得到纹理无关特征z＝fx，再将纹理无关特征送入跨光谱语义分割模块s，得到最终的分割结果y＝sfx。

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国人民解放军国防科技大学;西北工业大学，其通讯地址为：410003 湖南省长沙市开福区德雅路109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”。

以上内容由龙图腾AI智能生成。