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！

龙图腾网获悉郑州大学申请的专利一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行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：CN116912550B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202310597535.0，技术领域涉及：G06V10/764；该发明授权一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法是由赫晓慧;程淅杰;乔梦佳;李盼乐;常蓬;高亚军;刘飞;田智慧设计研发完成，并于2023-05-18向国家知识产权局提交的专利申请。

本一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法在说明书摘要公布了：本发明公开了一种基于地物依赖关系的语义‑空间融合异构卷积神经网络遥感影像土地利用分类方法，本发明设计了深度卷积神经网络捕获影像中不同层次的语义特征。然后利用超像素分割算法进行图构建，通过测量相邻对象之间的依赖程度，构造加权邻接矩阵，接着利用图卷积网络提取空间信息，最后借助多头注意力机制，依据分类过程中每个阶段的语义和空间特征的贡献进行加权融合两种分支的输出特征，从而实现土地利用准确分类。利用所提出的分类方法，基于实验数据集GID、HN‑LULC进行了验证，与现有的最新、应用最广泛的分类方法相比，本发明在高分辨率遥感影像土地利用分类任务中综合表现最佳。

本发明授权一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法在权利要求书中公布了：1.一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法，其特征在于：包括语义-空间融合异构卷积神经网络FSSC-GCN，所述语义-空间融合异构卷积神经网络FSSC-GCN包括基于像素的地物语义信息提取分支PSEB、基于超像素的空间依赖关系提取分支SSDEB和语义-空间融合模块SSFM，语义-空间特征信息融合模块SSFM将地物语义信息提取分支PSEB、空间依赖关系提取分支SSDEB通过多头注意力机制模块MAB进行特征加权实现融合； 所述基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法，包括以下步骤： 步骤S1:设计基于像素的地物语义信息提取分支PSEB： 所述地物语义信息提取分支PSEB是基于卷积神经网络，可以自适应地捕获局部和全局语义信息用于土地利用分类，地物语义信息提取分支PSEB包括四个块，其中每一块包含卷积层、归一化层和激活函数，在卷积层后加入批处理标准化BN层，加快模型拟合速度，还可以避免过拟合现象，并使用ReLu激活函数，有效地避免梯度爆炸或消失，使网络训练更快； 步骤S2、设计基于超像素的空间依赖关系提取分支SSDEB： 空间依赖关系提取分支SSDEB设计了构造依赖关系的图形编码器，利用GATConv测算节点之间多跳的依赖关系，生成加权邻接矩阵描述地物间依赖程度，最后利用图卷积网络实现利用影像中地物间的空间信息，有利于提高模型的分类精度； 步骤S3、构建语义-空间融合模块SSFM： 所述步骤S3通过引入多头注意力机制模块MAB选择性地加权分类过程中每个阶段的语义和空间特征的贡献；语义-空间融合模块SSFM的目标在于融合步骤S1和步骤S2中不同分支提取的特征，以充分利用影像信息，实现在土地利用分类任务中带来更好的模型性能和更高的准确性； 所述步骤S3具体步骤为： 构建语义-空间融合模块SSFM 针对遥感影像土地利用分类的复杂场景，充分利用遥感影像的语义信息和空间关系，提出语义-空间融合模块SSFM；语义-空间融合模块SSFM通过引入多头注意力机制模块MAB，选择性地加权分类过程中每个阶段的语义和空间特征的贡献，其目标是将语义特征与空间关系融合，为精确分类提供互补信息； 多头注意层的输入是来自语义分支和空间分支的连接特征，输出是这些特征的加权和；传统的自注意机制由特征图派生出来的三个不同的矩阵，分别是查询矩阵键矩阵值矩阵它们是通过将节点的特征乘以三个不同的权重矩阵和得到的；则单个注意函数表达式为： 多头注意机制分别应用于语义特征和空间特征，参数num_heads为每个特征的头部数，每个头部的输出被连接起来，并通过一个线性层来计算最终的注意力权重；为了从不同的表示子空间中学习鲁棒信息，多头注意力机制重复多次，每个额外的注意层从这些对象中提取不同的表示信息； 使用多头注意机制允许模型在多个粒度和复杂性级别上关注输入数据的不同方面，并分别加权语义和空间特征的贡献，以提高模型的准确性和鲁棒性； 在输入数据复杂且需要多层抽象和注意的任务中，动态调整网络每一层不同特征的重要性，当某个特征图与特定的土地利用类别高度相关，注意机制放大该特征图的贡献，同时抑制其他不太相关的特征图的贡献； 语义-空间融合异构卷积神经网络FSSC-GCN采用了密集连接层DenseConnection，DC以缓解梯度消失问题；在DenseConnection中，每个层的输出都连接到其后面的所有层的输入，使得每个层都可以直接接收到前面所有层的输入信息；以避免梯度消失问题，同时也能够提高模型的精度；其表达式如下： xout＝softmaxxin+DCxCat8 式中，xin和xout分别表示模型的输入和输出，DC表示密集连接层，xCat表示经多头注意力机制融合后的特征； 使用Adam优化器优化融合网络，并采用交叉熵损失函数最小化预测之间的分歧以及基于Kullback-LeiblerKL散度的策略来缩小语义提取与地物依赖关系提取分支之间的双学习损失； 步骤S4、利用数据集验证和对比模型的方法： 对上述步骤提出的语义-空间融合异构卷积神经网络FSSC-GCN进行比较验证，用于验证所提方法在复杂的土地利用分类场景下突出性能。

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郑州大学，其通讯地址为：450001 河南省郑州市高新技术开发区科学大道100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。