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！

龙图腾网获悉浙江工业大学申请的专利一种基于CNN-ViT的时间序列遥感农作物分类方法和装置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：CN119919734B 。

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：202510100229.0，技术领域涉及：G06V10/764；该发明授权一种基于CNN-ViT的时间序列遥感农作物分类方法和装置是由邢程宏;黄双燕设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种基于CNN-ViT的时间序列遥感农作物分类方法和装置在说明书摘要公布了：本发明公开了一种基于CNN和ViT的时间序列遥感影像农作物分类方法，属于遥感影像农作物分类技术领域。首先，获取时间序列遥感影像数据并构建标准化数据集。其次，采用CNN提取影像局部空间特征，增强模型对空间细节的感知能力。随后，引入动态时间位置编码和静态空间位置编码，结合Transformer模块建模时间维度的帧间动态变化和空间维度的特征交互关系，生成统一的时空联合特征表示。最后，通过像素级分割头将时空特征映射为类别概率分布，生成完整的分类结果图，实现农作物种植类别的精准预测。本发明通过结合CNN的局部特征提取能力和Transformer的全局特征建模能力，引入时空位置编码，有效捕捉时间与空间特征，显著提升了时序遥感影像农作物分类的精度和效率。

本发明授权一种基于CNN-ViT的时间序列遥感农作物分类方法和装置在权利要求书中公布了：1.一种基于CNN-ViT的时间序列遥感农作物分类方法，其特征在于，包括： 步骤1：数据集构建，通过对时间序列遥感影像数据进行预处理和标准化，形成时空一致的训练数据集； 步骤2：卷积特征提取，利用局部特征提取模块获取影像中的空间结构信息，增强模型对局部细节的感知能力；具体包括： 步骤2.1：卷积特征提取模块构建，遥感影像具有显著的空间结构信息和局部特征分布；Transformer虽擅长全局特征建模，但对局部空间特征的直接建模能力有限；为增强局部空间信息提取，构建卷积特征提取模块以提升局部感知能力；对输入数据中的每一帧影像通过轻量级卷积模块进行特征提取，生成卷积特征图；具体包括以下步骤： 首先通过二维卷积层Conv2D对输入影像进行特征提取，提取局部空间结构信息；再对卷积操作生成的特征图进行归一化处理，来平衡数据分布，消除不同特征间的量级差异，同时加速模型训练过程并稳定梯度流动；最后引入ReLU激活函数，使激活特征具有稀疏性，提高特征的判别能力，并有效避免梯度消失问题；最终生成的卷积特征图可为后续时空特征建模提供输入支持，表示如下： 其中，为卷积后的空间分辨率，为卷积操作后的通道维度； 步骤2.2：Patch分割与线性投影，在卷积特征提取完成后，生成的特征图仍然保持较高的分辨率和通道数；为进一步处理特征图，将其划分为大小为的非重叠Patch，每个Patch包含局部的空间特征；分割后的Patch总数量可表示为： 对于第帧的特征图，第个Patch表示为，每个包含局部区域的卷积特征，保留了区域内的高维通道信息： 为了将每个Patch转换为适合Transformer编码器的输入格式Token，需对每个执行以下操作：首先，将展开为一维向量；然后，通过线性投影操作，将一维向量映射为对应的Token，表示为： 其中，为线性投影的权重矩阵，为线性投影的偏置向量，为Token的特征维度； 最后，使用相同方法，将时间帧的所有Patch转换为Token序列： 其中，是分割的Patch数量，为Token的特征维度； 步骤3：编码器阶段，结合时间和空间位置编码，生成融合帧间动态变化与空间特征交互的时空联合特征表示； 步骤4：解码器阶段，对联合特征进行逐层解码，映射为类别概率分布，重构分类结果； 步骤5：模型训练与使用，实现农作物种植类别的预测与分类结果的生成。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。