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！

龙图腾网获悉北京理工大学;北京理工大学长三角研究院(嘉兴)申请的专利一种联合语义分割与角度预测的遥感影像道路提取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：CN115457379B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202210775721.4，技术领域涉及：G06V20/10；该发明授权一种联合语义分割与角度预测的遥感影像道路提取方法及系统是由付莹;梁帅哲设计研发完成，并于2022-07-01向国家知识产权局提交的专利申请。

本一种联合语义分割与角度预测的遥感影像道路提取方法及系统在说明书摘要公布了：本发明涉及一种联合语义分割与角度预测的遥感影像道路提取方法及系统，属于计算机视觉技术领域。本发明从真实道路信息中计算道路角度信息，将道路倾斜角度具有一定稳定性这一几何特征显式地体现出来，为神经网络添对该几何特征进行约束提供用于对比的道路角度真值。本发明在核心模型中设计角度预测模块与特征融合部分，对道路角度特征进行预测与融合，并设计对应损失函数增加角度相关的显式约束条件，使该模型能够更好地利用遥感影像中所蕴含的各类信息提升最终道路预测结果的精确程度。本发明能够在不需要特殊设备、具有较快生成速度的前提下，提高在复杂真实遥感影像下预测道路信息的准确程度。

本发明授权一种联合语义分割与角度预测的遥感影像道路提取方法及系统在权利要求书中公布了：1.一种联合语义分割与角度预测的遥感影像道路提取方法，其特征在于，包括训练阶段和使用阶段； 在训练阶段，使用遥感影像-道路信息配对数据集，迭代修改算法模型的参数字典； 首先，根据数据集中的真实道路信息对道路角度进行计算，得到每一个道路类别像素对应的角度值，并形成真实道路角度信息； 然后，使用道路提取算法模型根据输入的遥感影像提取道路信息，产生道路信息的预测结果，并在预测过程中同步生成道路角度的预测结果； 当进行预测后，道路提取算法模型将预测的道路信息与道路角度分别与对应的真实值进行对比，计算损失函数并据此更新模型中的参数； 重复上述预测和对比过程，直至满足设定的终止条件后，将网络的结构与模型参数进行保存； 训练阶段中，道路提取算法模型根据输入的遥感影像提取道路信息，产生道路信息的预测结果，并在预测过程中同步生成道路角度的预测结果，具体方法如下： 首先，从训练数据集中随机选取若干张遥感影像，并输入道路提取算法模型； 道路提取算法模型对每张遥感影像输出一张遥感影像对应道路信息的预测信息，并在过程中同步生成一份道路角度的预测结果； 其中，道路信息预测信息的宽和高与输入遥感影像一致，求解空间为0或1，0代表该像素点不被预测为道路，1代表该像素点被预测为道路；模型预测的道路角度信息为矩阵格式，其解空间为任意合法的角度值；该矩阵的长宽尺寸与输入遥感影像保持一致； 其中，道路提取算法模型包括三个部分：特征提取部分、初步预测部分和特征融合部分； 当遥感影像输入道路提取算法模型后，首先经过特征提取部分，该部分使用基于自注意力机制的Transformer结构提取遥感影像的图像特征； 在经过特征提取部分从遥感影像中提取特征之后，模型将得到的特征输入初步预测部分，对道路的区域与角度进行初步预测； 通过初步预测部分得到初步的道路区域预测与道路角度预测后，使用特征融合部分，将道路区域预测特征与道路角度特征进行融合； 在使用阶段，首先，根据训练阶段保存的模型结构与参数创建网络模型，将采集的遥感影像图像分别输入模型进行计算，并存储模型提取与预测的道路信息；如果使用的遥感影像图像存在对应的真实道路信息，则对预测道路信息与真实道路信息进行对比评估，从而判断模型预测道路信息的效果优劣； 特征提取部分首先使用图块切分层，将输入的H×W×3的RGB遥感影像拆分为N×p2×3的形式，即将高为H、宽为W、具有3个通道的原始遥感影像拆分为N个图块，每个图块的宽和高均为p，通道数仍为3； 将这些图块通过线性嵌入层，将每一个图块的p2×3维度的张量投影到任意维度的向量映射，此处线性嵌入层本质上为全连接层，目的是将每个p2×3的RGB小图块映射为线性向量，以便后续使用； 这些线性向量被输入自注意力机制的Swin块；在Swin块中，首先将这些限行向量正则化后，输入基于窗口的多头自注意力模块W-MSA或基于移位窗口的多头自注意力模块SW-MSA； 其中，基于窗口的多头自注意力模块以图块切分层切分出的图块为单位，模型在每连续两个相邻的Swin块中交替使用基于窗口的多头自注意力模块和基于移位窗口的多头自注意力模块； 在基于移位窗口的多头自注意力模块中，模型将每个窗口在横向、纵向上分别平移12窗口大小，计算自注意力后再进行反向平移，以完成窗口之间的信息交流； 在自注意力模块后，模型进行残差连接，并继续使用正则化层与多层感知机层处理特征； 在特征提取部分的后面的Swin结构段中，模型使用图块融合层代替线性嵌入层，其在每个Swin结构段的前端对当前特征图进行下采样； 在初步预测部分，模型分别使用两个模块：语义分割模块和角度预测模块，作为解码器对特征图进行解码； 语义分割模块的目标是进行初步的道路区域预测，角度预测模块的目标是进行道路角度预测； 在两个解码器中，并不直接使用卷积网络对特征图进行上采样形成预测结果，而是并行使用像素解码器与标准Transformer解码器来预测两组值，一组掩膜M与一组掩膜到类别的映射矩阵C；其中，掩膜组M包含N张掩膜，每张掩膜的尺寸为H×W，与输入图像一致；映射矩阵C的尺寸为N×K+1，其通过与掩膜组M进行矩阵乘法的形式，将N张掩膜与待预测的K个类别的分布联系起来；像素解码器使用传统的卷积上采样，而Transformer解码器则使用多个注意力层进行上采样；在角度预测模块中，使用一个额外的tanh层将输出约束-1～1，并在后续计算角度时乘以π2以映射至角度空间； 语义分割模块和角度预测模块分别得到了初步的道路区域预测与道路角度预测，这些预测值将与对应的真值进行对比，计算损失函数。

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北京理工大学;北京理工大学长三角研究院(嘉兴)，其通讯地址为：100081 北京市海淀区中关村南大街5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。