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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于半监督迁移光谱重构网络的高光谱遥感图像生成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：CN117315401B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202311374280.8，技术领域涉及：G06V10/774；该发明授权一种基于半监督迁移光谱重构网络的高光谱遥感图像生成方法是由谷延锋;李天帅设计研发完成，并于2023-10-23向国家知识产权局提交的专利申请。

本一种基于半监督迁移光谱重构网络的高光谱遥感图像生成方法在说明书摘要公布了：一种基于半监督迁移光谱重构网络的高光谱遥感图像生成方法，本发明属于卫星遥感技术领域，涉及一种高光谱图像生成方法。本发明目的在于针对获取大幅宽、高空间分辨率高光谱遥感图像困难的问题。过程为：1、得到训练完成的预训练光谱重构网络；2、得到训练完成的区域判别网络；3、构建高‑多光谱图像监督训练集和多光谱无监督训练集；4、构建半监督迁移光谱重构网络；半监督迁移光谱重构网络包括预训练光谱重构网络、区域判别网络和迁移网络；通过高‑多光谱图像监督训练集和多光谱无监督训练集交替对半监督迁移光谱重构网络进行训练，获得训练好的半监督迁移光谱重构网络；5、对待测多光谱图像进行光谱重构，生成高光谱遥感图像。

本发明授权一种基于半监督迁移光谱重构网络的高光谱遥感图像生成方法在权利要求书中公布了：1.一种基于半监督迁移光谱重构网络的高光谱遥感图像生成方法，其特征在于：所述方法具体过程为： 步骤1、构建并训练预训练光谱重构网络，得到训练完成的预训练光谱重构网络； 步骤2、选择与高光谱图像同时成像且存在重叠区域的真实多光谱图像，裁剪为图像块作为训练集，训练集中重叠区域作为有标签样本，不重叠区域作为无标签样本，结合有标签样本和无标签样本以半监督学习的方式训练区域判别网络，得到训练完成的区域判别网络； 步骤3、选择步骤2中重叠区域的多光谱图像与高光谱图像，裁剪为图像块后构建高-多光谱图像监督训练集；选择非重叠区域的多光谱图像，裁剪为图像块后构建多光谱无监督训练集； 步骤4、构建半监督迁移光谱重构网络； 半监督迁移光谱重构网络包括预训练光谱重构网络、区域判别网络和迁移网络； 通过步骤3所述的高-多光谱图像监督训练集和多光谱无监督训练集交替以监督学习和无监督学习的方式对半监督迁移光谱重构网络进行训练，获得训练好的半监督迁移光谱重构网络； 具体过程为： 迁移网络由五组3D光谱自注意力块串联组成； 其中区域判别网络与预训练光谱重构网络的输入一致，输出为0或1； 预训练光谱重构网络的输出作为迁移网络的输入； 迁移网络输出与区域判别网络的输出相乘后与预训练光谱重构网络的输出相加，共同作为半监督迁移光谱重构网络的输出； 所述3D光谱自注意力块包括光谱自注意力块、第一3D残差块、第二3D残差块、第三3D残差块、第四3D残差块、3D拼接层和3D后处理层； 光谱自注意力块的输出特征输入第一3D残差块，第一3D残差块的输出特征输入第二3D残差块，第二3D残差块的输出特征输入第三3D残差块，第三3D残差块的输出特征输入第四3D残差块； 将光谱自注意力块的输出特征、第一3D残差块的输出特征、第二3D残差块的输出特征、第三3D残差块的输出特征、第四3D残差块的输出特征分别输入3D拼接层进行特征堆叠； 3D拼接层的输出特征输入3D后处理层，3D后处理层输出特征作为3D光谱自注意力块输出特征； 所述3D后处理层依次包括3D卷积层、激活层和通道注意力块； 所述光谱自注意力块的具体结构为： 输入图像特征分别经过一层全连接层得到特征A和特征B； 特征A和特征B进行乘积运算得到特征C； 特征C经过softmax得到特征D； 特征D与输入图像特征进行乘积运算得到特征E； 特征E再经过一层全连接层得到特征F； 特征F为光谱自注意力块输出特征； 步骤5、训练好的半监督迁移光谱重构网络用于对待测多光谱图像进行光谱重构，生成高光谱遥感图像。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。