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轻量级网络的建筑物变化检测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：CN115457385B 。

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：202211027648.9，技术领域涉及：G06V20/10；该发明授权一种基于轻量级网络的建筑物变化检测方法是由杨海平;陈媛媛;吴炜设计研发完成，并于2022-08-25向国家知识产权局提交的专利申请。

本一种基于轻量级网络的建筑物变化检测方法在说明书摘要公布了：本发明提出了一种基于轻量级网络的建筑物变化检测方法，包括：获取待检测区域不同时相的遥感影像对；分别提取遥感影像对中的多级特征；在对影像多级特征进行融合的基础上，计算建筑物变化检测结果图；对建筑物变化检测结果进行后处理；最后，对后处理结果进行矢量化，得到最终建筑物变化检测的矢量结果。本发明使用轻量级网络提取建筑物特征，降低了网络的参数量和计算量，保证网络拥有更小的体积和更快的运行速度；同时在特征融合阶段利用反卷积动态学习权重参数，减少在尺寸恢复阶段有用信息的丢失，从而保证建筑物变化检测的精度。

本发明授权一种基于轻量级网络的建筑物变化检测方法在权利要求书中公布了：1.一种基于轻量级网络的建筑物变化检测方法，其特征在于，包含以下步骤： 步骤1获取待检测区域的遥感影像，所述遥感影像包括在时间t1和t2分别获取的影像A和B； 步骤2提取建筑物变化检测影像对A和B的特征，分别得到影像A的特征AF和影像B的特征BF： 采用权重共享的双流结构网络分别提取变化检测影像对A和B的特征，所述的双流结构网络分支中的特征提取器为轻量级网络MobilenetV2，把MobilenetV2的第四层和第十七层作为变化检测影像对A和B的低级特征和高级特征，由此可得建筑物变化检测影像对A和B的特征为AF＝{AFi|i＝4,17}和BF＝{BFi|i＝4,17}； 步骤3计算影像A和B中建筑物的变化结果图： 3.1将步骤2所述影像A和B的低级特征和高级特征分别融合，得到融合后特征Fl和Fh表示如下： Fl＝convk＝3convk＝3concatAF4，BF4#1 Fh＝convk＝3convk＝3concatAF17，BF17#2 其中，convk＝3是卷积核为3x3的卷积操作，concat是按通道拼接操作； 3.2将步骤3.1所述高级融合特征Fh通过空间金字塔池化进一步提取多尺度特征，并上采样至与低级融合特征Fl一致的尺寸，从而得到特征F'h： F′h＝UpsamplingbilinearASPPFh#3 其中，Upsamplingbilinear表示采用双线性插值方式的上采样操作，ASPP表示空间金字塔池化操作； 3.3将步骤3.1所述低级融合特征Fl通过1x1卷积convk＝1进行升维得到F'l，表示如下： F′l＝convk＝1Fl#4 3.4将步骤3.3所述特征F'l与步骤3.2所述特征F'h进一步融合得到F”： F”＝convk＝3convk＝3concatF'l，F′h#5 再采用两组反卷积和卷积操作来处理F”得到特征F'： F＝convk＝3deconvk＝2,s＝2convk＝3deconvk＝2,s＝2F″#6 其中，deconvk＝2,s＝2表示卷积核为2x2，步数为2的反卷积操作； 3.5使用1x1的卷积对步骤3.4所述特征F'分类，得到预测类别概率结果P： P＝convk＝1F′#7 变化检测网络中采用的损失函数losscd如下所示： losscd＝lossce+lossdice#8 其中，lossce为二类交叉熵损失函数，lossdice为Dice损失函数； 3.6对步骤3.5所述预测概率进行二值化，得到建筑物变化检测结果图I，任意像素的二值化结果Ip计算如下： 其中，pi表示预测类别概率结果P中任一像素的类别概率，i表示类别，类别0表示像素无变化，类别1表示变化的建筑物，在建筑物变化检测结果图I中，255表示变化的建筑物，0表示不变的区域； 步骤4对步骤3.6所述建筑物变化检测结果图I进行后处理，包括去除小面积连通区域和填充孔洞操作，得到最终的变化检测结果图R； 步骤5对步骤4所述的变化检测结果图R进行矢量化，得到最终变化建筑物的矢量结果。

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。