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！

龙图腾网获悉南京邮电大学申请的专利一种基于空间信息语义分割模型的不透水面提取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：CN116665058B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202310661643.X，技术领域涉及：G06V20/10；该发明授权一种基于空间信息语义分割模型的不透水面提取方法是由徐颖;江畅;张荣春设计研发完成，并于2023-06-06向国家知识产权局提交的专利申请。

本一种基于空间信息语义分割模型的不透水面提取方法在说明书摘要公布了：本发明属于自然科学技术领域，公开了一种基于空间信息语义分割模型的不透水面提取方法，包括：步骤1、获取遥感影像，对遥感影像进行预处理得到遥感影像数据集，数据集进行切割得到影像切片数据集，对影像切片数据集进行划分得到遥感影像切片数据集和地面真值标签数据集；步骤2、构建OCR_CLHRnet模型，步骤3、预测不透水面结果，得到语义分割结果；步骤4、将语义分割结果重分类，得到影像切片数据的不透水面分类结果；步骤5、将影像切片数据的不透水面分类结果进行切片的操作进行还原拼接，拼接后即得到区域的不透水面分布结果。本发明提升模型训练的效率，可以实现大规模、精细化的不透水面监测，提高模型提取不透水面的精度。

本发明授权一种基于空间信息语义分割模型的不透水面提取方法在权利要求书中公布了：1.一种基于空间信息语义分割模型的不透水面提取方法，其特征在于：所述不透水面提取方法包括如下步骤： 步骤1、获取遥感影像，对遥感影像进行预处理得到遥感影像数据集，对所述遥感影像数据集进行切割得到影像切片数据集，对所述影像切片数据集进行划分得到遥感影像切片数据集和地面真值标签数据集； 步骤2、构建空间信息语义分割模型OCR_CLHRnet模型，包括CLHRnet模型的搭建和OCR模型的优化，获取高分辨遥感影像，将所述高分辨遥感影像输入构建好的OCR_CLHRnet模型进行训练，得到自训练的预训练模型，在OCR_CLHRnet模型的基础上搭载自训练的预训练模型，输入所述影像切片数据集进行训练，得到最优模型即为不透水面预测模型； 步骤3、预测不透水面结果：将步骤1得到的得到遥感影像切片数据集和地面真值标签数据集输入到步骤2得到的所述不透水面预测模型，得到语义分割结果； 步骤4、将步骤3得到的语义分割结果进行重分类，得到不透水面结果，得到影像切片数据的不透水面分类结果； 步骤5、将步骤4得到的影像切片数据的不透水面分类结果按照步骤1对遥感影像数据集的影像进行切片的操作进行还原拼接，拼接后即得到区域的不透水面分布结果； 步骤2中构建OCR_CLHRnet模型具体包括如下步骤： 步骤2-1、构建第一阶段空间卷积网络Bottleneck：1×1卷积层获取特征，通过2个3×3卷积层，接着通过下采样层，最后通过ChannelShuffle层得到初步的第一个阶段的特征信息； 步骤2-2、在步骤2-1构建的空间卷积网络Bottleneck基础上，重复堆叠Bottleneck，修改通道个数为64，堆叠4个分支进行输出，输出结果为第一阶段的特征信息； 步骤2-3、构建空间信息模块BasicBlock：构建两条分支，第一条分支的操作包括5×5深度卷积层、1×1卷积层和坐标注意力机制层，第二条分支的操作包括1×1卷积层、5×5深度卷积层和下采样层，将两个分支进行相加操作，输入ChannelShuffle，完成特征信息的融合； 步骤2-4、获取不同分辨率上的特征图：由步骤2-3构建的空间信息模块BasicBlock作为基础网络，搭建并行网络，重复堆叠空间信息模块BasicBlock并改变特征大小，保留多尺度信息，在第二阶段输出8个分支，在第三阶段输出16个分支，在第四阶段输出64个分支，分支数量代表着特征图的解析度，即不同分辨率上的特征信息，获得一种实现多尺度信息融合、高低分辨率信息并行处理、空间信息敏感的语义分割网络结构，即CLHRnet； 步骤2-5、将步骤2-4搭建的CLHRnet作为主干网络，将第四阶段得到的特征信息输入OCR模型中，所述OCR模型的实现主要包括3个阶段：软对象区域、对象区域表示及最后的对象上下文特征表示，软对象区域的操作包括特征提取和多尺度的特征表示，即基于注意力机制SESpatialExcitation模块提取特征和基于多层金字塔池化ASPPAtrousSpatialPyramidPooling模块进行多尺度的特征表示，对象区域表示的操作包括特征提取、边框定位、多尺度特征融合、多方向特征编码、上下文特征增强，对象上下文特征表示的操作包括对象特征提取、上下文特征编码、多尺度特征融合、对象分类和识别，当把对象上下文特征表示与网络最深层输入的特征表示拼接之后作为上下文信息增强的特征表示，基于增强后的特征表示预测每个像元的语义类别，即OCR模型计算一组对象区域的特征表达，根据对象区域的特征表达与像元的特征表示之间的相似度将这些对象区域特征表示传达到每一个像元，在对象上下文特征表示阶段引入DropBlock，即一种结构化的dropout形式，随机地将特征相邻区域中的单元进行屏蔽处理； 步骤2-6、通过软对象区域的处理后，得到了类别区域特征，进入对象区域表示阶段，对区域进行边框定位以及特征提取； 步骤2-7、完成步骤2-6对象区域表示阶段的特征信息提取后，进入最后的对象上下文信息提取网络和预测网络部分，完成了OCR_CLHRnet模型的搭建； 步骤2-8、为了加速模型训练和提高模型性能，进行预训练模型的训练：获取高分辨率遥感影像，按照第一部分的步骤制作输入模型的数据集，输入构建好的OCR_CLHRnet模型进行训练，设置的预训练模型训练参数，训练完后即得到自训练的预训练模型； 步骤2-9、在步骤2-7的OCR_CLHRnet模型中搭载步骤2-8得到的预训练模型，按照预测模型的参数配置进行训练，得到最优模型即为不透水面预测模型。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。