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！

龙图腾网获悉齐齐哈尔大学申请的专利基于光谱空间融合Transformer特征提取的地物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：CN116229153B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310041746.6，技术领域涉及：G06V10/764；该发明授权基于光谱空间融合Transformer特征提取的地物分类方法是由石翠萍;廖帝灵;苗凤娟;陶佰睿;王天毅设计研发完成，并于2023-01-11向国家知识产权局提交的专利申请。

本基于光谱空间融合Transformer特征提取的地物分类方法在说明书摘要公布了：基于光谱空间融合Transformer特征提取的地物分类方法，本发明涉及地物分类方法。本发明的目的是为了解决现有DL方法一方面，采用局部提取和全局参数共享机制的CNN更关注空间内容信息，从而使学习特征中的频谱序列信息发生扭曲；另一方面，CNN很难描述HSI像素与波段之间的长距离相关性的问题。过程为：一、建立光谱空间融合多头双自注意力Transformer特征提取的分类网络，基于训练集获得训练好的网络；二、将待测图像输入训练好的网络，完成对待测图像的分类；所述光谱空间融合多头双自注意力Transformer特征提取的分类网络包括SpaFormer、SpeFormer、AS2FM和分类器。本发明用于高光谱图像分类领域。

本发明授权基于光谱空间融合Transformer特征提取的地物分类方法在权利要求书中公布了：1.基于光谱空间融合Transformer特征提取的地物分类方法，其特征在于：所述方法具体过程为： 一、建立光谱空间融合Transformer网络S2FTNet，基于训练集获得训练好的光谱空间融合Transformer网络S2FTNet； 二、将待测图像输入训练好的光谱空间融合Transformer网络S2FTNet，完成对待测图像的分类； 所述光谱空间融合Transformer网络S2FTNet包括空间Transformer模块SpaFormer、光谱Transformer模块SpeFormer、自适应光谱空间融合机制AS2FM和分类器； 所述空间Transformer模块SpaFormer包括三维卷积块、二维卷积块和三个改进的Transformer块一； 所述每个卷积块Conv均包含卷积层、批归一化层和非线性激活层； 所述每个改进的Transformer块一包括位置嵌入、2个层归一化、一个多头双自注意力和多层感知机； 所述光谱Transformer模块SpeFormer包括改进的Transformer块二； 改进的Transformer块二包括两个层归一化、一个多头双自注意力、两个卷积块和一个高斯误差线性单位； 所述建立光谱空间融合Transformer网络S2FTNet，基于训练集获得训练好的光谱空间融合Transformer网络S2FTNet；具体过程为： 对高光谱图像HSI数据X进行边缘填充策略处理；然后，将填充后得到新图像数据通过两种方式进行块提取： 一种是以填充后得到的新图像的每个像素为中心像素，并与相邻像素结合，组成数据块，并对组成的数据块进行光谱维主成分分析降维处理，得到数据 另一种是对填充后得到的新图像逐单一像素提取，得到数据 其中，s×s表示切块后的图像空间大小，b表示经过PCA降维后的光谱波段数量；L表示高光谱图像的波段数量； 将数据X_patch输入空间Transformer模块SpaFormer； 将数据X_pixel输入光谱Transformer模块SpeFormer； 将空间Transformer模块SpaFormer和光谱Transformer模块SpeFormer输出数据输入自适应光谱空间融合机制AS2FM进行级联，将级联后的特征向量输入分类器进行分类； 所述将数据X_patch输入空间Transformer模块SpaFormer；具体过程为： 首先，图像数据X_patch先经过三维卷积块，再经过二维卷积块； 每个卷积块中均包含卷积层、批归一化层和非线性激活层； 其中，图像数据X_patch先经过三维卷积块提取图像的光谱空间联合信息，计算过程表示如下 F3D＝fδ1X_patchΘw3D+b3D1 式1中，w3D表示Conv3D的权重偏置，b3D表示Conv3D的偏置项，F3D表示Conv3D的输出；Θ为Conv3D算子，δ1表示Conv3D的批归一化操作，f·表示非线性激活函数ReLU； 三维卷积块输出特征经过二维卷积块，公式如下 F2D＝fδ2F3D⊙w2D+b2D2 式2中，w2D表示Conv2D的权重偏置，b2D表示Conv2D的偏置项，F2D表示Conv2D的输出；⊙为Conv2D算子，δ2表示Conv2D的批归一化操作； 接着，将二维卷积块输出分别输入三个改进的Transformer块一；具体过程为： 每个改进的Transformer块一包含多个组件，包括位置嵌入、2个层归一化Norm、多头双自注意力和多层感知机； 第一个改进的Transformer块一的输入数据的空间大小s×s进行pooling＝false操作，输出空间大小为[spooling]×[spooling]，[·]表示上取整符号； pooling为池化操作，false表示无池化操作； 第二个改进的Transformer块一的输入数据的空间大小s×s进行pooling＝2操作，输出空间大小为[spooling]×[spooling]； 第三个改进的Transformer块一的输入数据的空间大小s×s分别进行pooling＝4操作，输出空间大小为[spooling]×[spooling]； 每个改进的Transformer块一首先引入了PE；具体为： 将输出空间大小为[spooling]×[spooling]的数据作为令牌T＝[T1,T2,...,Tw′]与设定的可学习的分类令牌T0连接，并将设定的位置信息PEpos附加在所有令牌上，即 TPE＝[T0,T1,T2,...,Tw′]+PEpos3 T＝[T1,T2,...,Tw′]表示令牌数量； 将PE输出数据TPE依次输入归一化层Norm和一个多头双自注意力MHD-SA； 多头双自注意力MHD-SA表示如下 MHD-SA＝ConcatDSA1,DSA2,...,DSAhW″4 其中，Concat·表示级联函数，h表示头部的数量，W″表示权重参数； 式中，DSA表示单头的双自注意力，SA表示自注意力值，LQ·、LK·和LV·表示SA值经过线性映射得到的特征，dk表示K的特征维度；表示LK·的特征维度；Q、K和V为三个输出特征的表示符号； 将PE的输出和多头双自注意力MHD-SA的输出进行加和，得到第一加和后数据，第一加和后数据依次输入归一化层Norm和MLP； MLP结构包含两个全连接层，且在两个全连接层之间嵌入一个高斯误差线性单位GELU； 将第一加和后数据和MLP的输出进行加和处理，得到第二加和后数据，第二加和后数据作为每个改进的Transformer块一的输出； 将三个改进的Transformer块一的输出进行级联作为空间Transformer模块SpaFormer的输出； 所述将数据X_pixel输入光谱Transformer模块SpeFormer；具体过程为： 首先，光谱Transformer模块SpeFormer引入PE；过程为： 图像数据X_patch先经过线性映射降维得到[T1′,T2′,...,Tw′]，降维后与设定的可学习令牌T0′级联； 级联结果再进行位置嵌入，计算过程表示如下 T′PE＝[T′0,T′1,T′2,...,T′w′]+PE′pos7 式中，[T′1,T′2,...,T′w′]表示令牌数量，PE′pos表示位置信息； 然后，将PE输出数据T′PE依次输入归一化Norm和一个多头双自注意力MHD-SA； 将PE输出数据T′PE和多头双自注意力MHD-SA的输出进行加和，得到第三加和后数据，第三加和后数据依次输入归一化层Norm、3×3卷积层、批归一化层BN、高斯误差线性单位GELU、3×3卷积层和批归一化层BN，得到BN输出数据； 将第三加和后数据和得到的BN输出数据加和，得到第四加和后数据，第四加和后数据作为光谱Transformer模块SpeFormer的输出。

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齐齐哈尔大学，其通讯地址为：161006 黑龙江省齐齐哈尔市建华区文化大街42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。