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！

龙图腾网获悉南京航空航天大学申请的专利一种基于通道图与多级卷积注意力网络的高光谱图像分类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：CN119723176B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411777151.8，技术领域涉及：G06V10/764；该发明授权一种基于通道图与多级卷积注意力网络的高光谱图像分类方法是由徐陈捷;李丹设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种基于通道图与多级卷积注意力网络的高光谱图像分类方法在说明书摘要公布了：本发明公开了一种基于通道图与多级卷积注意力网络的高光谱图像分类方法，包括如下步骤：步骤1、利用主成分分析对原始高光谱图像数据进行降维处理；步骤2、转换维度将每个光谱通道视为图节点，构建通道图结构；步骤3、设计通道图卷积动态注意力网络，通过通道图卷积网络架构和动态注意力模块提取光谱相似性特征；步骤4、实现动态注意力增强的多尺度卷积网络，通过多尺度核卷积提取局部空间特征；步骤5、通过自注意力特征融合网络融合来自通道图卷积动态注意力网络和动态注意力增强的多尺度卷积网络的特征，输入到分类器中进行分类并获得结果。本发明在有限训练样本的情况下提高了分类精度。

本发明授权一种基于通道图与多级卷积注意力网络的高光谱图像分类方法在权利要求书中公布了：1.一种基于通道图与多级卷积注意力网络的高光谱图像分类方法，其特征在于，包括如下步骤： 步骤1、利用主成分分析对原始高光谱图像数据进行降维处理； 步骤2、转换维度将每个光谱通道视为图节点，构建通道图结构；将高光谱图像数据集I∈RM×N×C从通道维度转换为二维矩阵X∈RS×C，其中M和N代表空间分辨率大小，C代表降维后的谱段数量，S＝M×N，高光谱图像的每一帧表示为一个通道向量节点xi∈X，大小为M*N×1； 对任意两个通道向量节点之间，计算余弦相似性表征高光谱图像相似性特征： 其中cosxi,xj∈[-1,1]，对于高光谱图像分类任务，将余弦相似度归一化并约束为Ai,j∈[0,1]： 基于两个向量之间的相似性是一致的，减轻卷积过程中节点与自身的最大相似性的影响，将邻接矩阵的对角线元素设为1，构建出邻接矩阵： 计算出包含每个节点度数的度矩阵 由邻接矩阵和度矩阵计算归一化的相似度矩阵 步骤3、设计通道图卷积动态注意力网络，通过通道图卷积网络架构和动态注意力模块提取光谱相似性特征；设计通道图卷积动态注意力网络结构，首先建立轻量化的三层通道图卷积网络，网络函数如下： 其中Xi+1表示第i层的输出，ReLU代表激活函数，Wi表示权重矩阵，bi代表第i层的偏置项； 定义特征图作为神经元，神经元的最优闭合形式能量函数为： 其中，是经过卷积处理后的高光谱图像特征的平均值，是方差； 建立动态注意力模块DAM，特征能量函数通过sigmoid函数控制注意力向量的输出范围，与原特征图进行元素乘积，得到输出特征： 其中E是跨空间和光谱维度所有的集合； 建立通道图卷积动态注意力网络层，网络函数为： 其中FDA·代表动态注意力模块DAM，ADA是注意力权值图，将网络层堆叠三层； 建立特征转换输出层函数： 步骤4、实现动态注意力增强的多尺度卷积网络，通过多尺度核卷积提取局部空间特征；设计动态注意力增强的多尺度卷积网络结构，首先对高光谱图像数据提取邻域图像块P∈RT×T，每个像元位于空间尺寸为T×T的邻域方窗中； 建立四层卷积特征提取层，在卷积层之间插入批归一化BN和ReLU激活函数： Xi+1＝ReLUBNbi+Xi*Wi+1 建立卷积层之间的动态注意力模块，动态强调关键特征并抑制无关信息，输出注意力权重： Yi+1＝FDAXi,ADA 其中FDA·代表动态注意力模块DAM，ADA是注意力权值图； 将卷积层的特征输出与动态注意力模块的权重输出相乘，生成增强特征图： 其中表示动态加权后的特征； 将第四层卷积层的输出特征通过全连接层聚合，采用dropout层防止过拟合并增强泛化能力，得出网络特征输出： 步骤5、通过自注意力特征融合网络融合来自通道图卷积动态注意力网络和动态注意力增强的多尺度卷积网络的特征，输入到分类器中进行分类并获得结果。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。