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！

龙图腾网获悉广州大学申请的专利基于文本感知的跨域小样本学习高光谱图像分类方法及系统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：CN119649213B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411669356.4，技术领域涉及：G06V20/10；该发明授权基于文本感知的跨域小样本学习高光谱图像分类方法及系统是由唐浩劲;李鸿毅;唐冬;杨小飞设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本基于文本感知的跨域小样本学习高光谱图像分类方法及系统在说明书摘要公布了：本发明涉及图像处理技术，为基于文本感知的跨域小样本学习高光谱图像分类方法及系统。其方法包括步骤：设计域不可知的先验语义信息描述方法，对源域和目标域的类别名称进行二次分类，将二次分类语义信息嵌入到每个高光谱图像像素的文本模板中；构建基于双分支transformer的高光谱图像分类模型，提取跨域的视觉空谱特征和文本空谱特征；设计文本感知空谱域自适应策略；计算训练阶段的总损失，分类模型和条件域判别器进行联合训练，将分类模型总损失定义为分类模型的特征分类对比损失与文本感知空谱域自适应策略的损失之和；应用训练后的分类模型对跨域高光谱图像进行分类。本发明将模型泛化到目标域的未见类别，减轻了领域偏移，提高了模型的泛化性能。

本发明授权基于文本感知的跨域小样本学习高光谱图像分类方法及系统在权利要求书中公布了：1.一种基于文本感知的跨域小样本学习高光谱图像分类方法，其特征在于，包括以下步骤： S1、设计域不可知的先验语义信息描述方法，通过对源域和目标域的类别名称进行二次分类，将类别名称的二次分类语义信息嵌入到每个高光谱图像像素的文本模板中，使文本模板结合类内和类间关系以适应不同的数据分布； S2、构建基于双分支transformer的高光谱图像分类模型，用于实现视觉和语言的对齐，获得域不变的视觉表示，提取跨域的视觉空谱特征和文本空谱特征； S3、设计文本感知空谱域自适应策略，提高基于双分支transformer的高光谱图像分类模型的泛化能力； S4、计算训练阶段的总损失，基于双分支transformer的高光谱图像分类模型和条件域判别器进行联合训练，将所述高光谱图像分类模型的总损失Ltotal定义为所述高光谱图像分类模型的特征分类对比损失与文本感知空谱域自适应策略的损失之和； S5、应用训练后的基于双分支transformer的高光谱图像分类模型，对跨域高光谱图像进行分类； 步骤S1利用大语言模型LLM的文本理解和生成能力来增强已见类别与未见类别之间的关联； 步骤S3所设计的文本感知空谱域自适应策略包括源域和目标域之间的对抗策略、视觉域和语言域之间的对抗策略；步骤S3包括： S31、通过关于源分布和目标分布的条件域判别器Ds-t，减少基于双分支transformer的高光谱图像分类模型对源域和目标域特征提取的偏移，以设置源域和目标域之间的对抗策略； 将源域和目标域的数据作为输入，通过双分支transformer特征提取模型，获得来自源域数据集的空谱特征矢量和输入的源域数据集的分类标签的预测结果同时，还获得来自目标域数据集的空谱特征矢量和输入的目标域数据集的分类标签的预测结果其中，分类标签的预测结果由空谱特征矢量输入分类器G得到；然后，将空谱特征矢量和分类标签的预测结果作为条件域判别器Ds-t的输入； S32、通过关于视觉域数据和文本域数据的条件域判别器Dimg-text，减少基于双分支transformer的高光谱图像分类模型对视觉特征和文本特征提取的偏移，以设置视觉域和语言域之间的对抗策略； S33、将源域和目标域之间的对抗策略及视觉域和语言域之间的对抗策略耦合，得到文本感知空谱域自适应策略；将条件域判别器Ds-t的域对抗损失与条件域判别器Dimg-text的对抗损失的加权和，作为文本感知空谱域自适应的损失。

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广州大学，其通讯地址为：510006 广东省广州市番禺区大学城外环西路230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。