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！

龙图腾网获悉电子科技大学申请的专利基于深度学习的特征融合型永久散射体识别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：CN119514593B 。

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：202411574638.6，技术领域涉及：G06N3/0442；该发明授权基于深度学习的特征融合型永久散射体识别方法是由陈思佳;于瀚雯;赵常军;晏艳设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本基于深度学习的特征融合型永久散射体识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的特征融合型永久散射体识别技术；首先构建残差注意力U型网络提取SAR图像空间特征，构建C‑LSTM网络提取差分干涉相位时序特征；接着构建特征融合模块耦合空间特征与时序特征并构建预测模块输出双通道永久散射体识别结果；最后通过通道最大值筛选获取单通道永久散射体识别结果，进而利用图像块拼接与地理编码技术得到研究区域内永久散射体的空间分布。本发明采用了数据驱动模式，通过网络训练可实现永久散射体的快速识别；本发明提供的永久散射体识别技术采用焦点损失与残点损失加权求和的混合损失，解决正负难易样本不平衡并实现对识别结果作用于下游任务的有效性评估；本发明利用构建的特征融合型网络与混合损失进行永久散射体识别，可以在识别较多永久散射体数量的同时保持较少的残点数，使识别结果作用于下游任务时具有较大的可能性可以获得准确的地表形变结果。

本发明授权基于深度学习的特征融合型永久散射体识别方法在权利要求书中公布了：1.基于深度学习的特征融合型永久散射体识别方法，其特征在于：包括如下步骤： S1：获取时序SAR数据用于构建训练集与测试集； S2：构建残差注意力U型网络对空间特征进行提取：应用残差U型网络与卷积块注意力模块CBAM构建残差U型网络提取SAR图像空间特征，为特征融合进行空间数据准备； S3：构建C-LSTM网络对时序特征进行提取：应用卷积长短时记忆模块构建C-LSTM网络提取干涉相位时序特征，并基于三维卷积进行时序特征映射，为特征融合进行时序数据准备； 所述C-LSTM网络包含C-LSTM模块与时序映射模块； 所述C-LSTM模块，用于提取时序数据的特征； 所述时序映射模块，用于映射时序数据的时间步； 所述C-LSTM模块输入包含细胞状态、隐藏状态、差分干涉相位数据； 所述C-LSTM模块输出包含细胞状态、隐藏状态； 根据输入隐藏状态与差分干涉相位数据，根据以下公式求解遗忘门、输入门、输出门、候选细胞状态和输出的细胞状态和隐藏状态： ； 其中，表示Sigmoid激活函数，表示双曲正切激活函数，为卷积算子，为Hadamard积运算；、、、分别表示遗忘门、输入门、输出门和候选细胞状态门的权重矩阵，而、、、则分别表示遗忘门、输入门、输出门和候选细胞状态门的偏置矩阵； S4：构建特征融合模块耦合空间特征与时序特征：应用拼接算子在通道维拼接空间特征与时序特征，并基于二维卷积构建特征融合模块，获得空间时序联合特征，为预测模块进行数据准备； 所述特征融合模块包含卷积核为3的二维卷积层、二维批标准化层、ReLU激活层、卷积核为1的二维卷积层； 用于将拼接后的通道数映射至拼接前通道数，实现空间特征与时序特征的深度融合； S5：构建预测模块预测永久散射体空间分布：应用预测模块输出双通道永久散射体识别结果，并通过通道最大值筛选获得单通道永久散射体预测结果，最终利用图像块拼接与地理编码技术合成完整的研究区域内永久散射体空间分布； 所述技术利用德劳内三角剖分法构建干涉相位三角形网络，有效性评估指标即残差点数RPN，按照以下公式计算： ； 其中，表示三角形索引值，表示三角形总数，表示三角形顶点索引值；为三角形第个顶点对应的缠绕相位，为成对的缠绕相位差值，其可能的取值为0或；表示对计算模值；RPN值越小代表利用所识别永久散射体进行相位解缠获得准确形变结果的可能性越大； 所述方法基于有效性评估指标构建残差率损失函数提高网络识别永久散射体的有效性，残差率损失函数按照以下公式表示： ； 其中，表示干涉相位图索引值，表示干涉相位图总数，表示所预测永久散射体识别结果中被识别为永久散射体的像素总数。

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电子科技大学，其通讯地址为：611731 四川省成都市郫都区合作街道西源大道2006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。