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！

龙图腾网获悉中国电子科技集团公司第五十四研究所申请的专利一种基于判别性增强的小样本遥感图像场景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：CN116740565B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310689748.6，技术领域涉及：G06V20/10；该发明授权一种基于判别性增强的小样本遥感图像场景分类方法是由陈彦桥;朱良彬;杨建永;张小龙;汪沛;柴兴华设计研发完成，并于2023-06-12向国家知识产权局提交的专利申请。

本一种基于判别性增强的小样本遥感图像场景分类方法在说明书摘要公布了：本发明公开了一种基于判别性增强的小样本遥感图像场景分类方法，属于图像感知领域。该方法首先将遥感图像场景分类数据集分为训练集、验证集和测试集3部分；然后基于训练集、验证集和测试集分别构建情景集；然后构建基于判别性增强的深度近邻神经网络模型；然后基于情景集对基于判别性增强的深度近邻神经网络模型进行训练及验证；最后基于情景集对训练好的基于判别性增强的深度近邻神经网络模型进行测试。本发明引入了注意力机制用于区分场景中的与分类有关及无关区域，提出了局部‑全局描述子，综合使用中心损失和改进的Softmax损失，深度嵌入模块可以提取更多的判别特征，解决了小样本遥感图像场景分类问题。

本发明授权一种基于判别性增强的小样本遥感图像场景分类方法在权利要求书中公布了：1.一种基于判别性增强的小样本遥感图像场景分类方法，其特征在于，包括如下步骤： 步骤1，将遥感图像场景分类数据集分为训练集、验证集和测试集； 步骤2，基于训练集、验证集和测试集分别构建对应的情景集； 步骤3，构建基于判别性增强的深度近邻神经网络模型，包括深度嵌入模块和度量模块，并基于中心损失和类别损失构建模型损失函数； 步骤4，基于训练集和验证集对应的情景集，对基于判别性增强的深度近邻神经网络模型进行训练及验证； 步骤5，基于测试集对应的情景集对训练好的基于判别性增强的深度近邻神经网络模型进行测试； 完成基于判别性增强的小样本遥感图像场景分类； 其中，步骤3所述的基于判别性增强的深度近邻神经网络模型的构建方式为： 基于判别性增强的深度近邻神经网络模型包括两个模块，分别为基于注意力机制的深入嵌入模块和度量模块； 3a基于注意力机制的深入嵌入模块的构建方式为： 将卷积神经网络作为深度嵌入模块，用于深度局部-全局描述子提取，经过深度嵌入模块提取后的深度特征为一个大小为的张量，并表示为个维的深度描述子的集合： ； 式中，，，分别表示提取特征图的宽度、高度和通道数，，为第i个深度局部-全局描述子； 其中，深度嵌入模块包括深度局部嵌入模块和深度全局嵌入模块，深度局部嵌入模块用于得到深度局部描述子，深度全局嵌入模块用于得到深度全局描述子，即深度局部-全局描述子分为深度局部描述子和深度全局描述子两部分； 其中，深度局部描述子视为个维的深度描述子的集合，表示为： ； 其中，深度全局描述子表示为： ； 式中，，针对个维深度局部描述子，每个深度局部描述子后面均直接加上维深度全局描述子，即得到深度局部-全局描述子； 3b为深度嵌入模块引入注意力机制，将深度局部描述子区分为与场景相关部分和不相干部分，即为由深度嵌入模块得到的特征图中的每一个像素点构建一个特征图来完成，具体方式为综合使用挤压激励网络作为基础模块，并使用非局部注意力机制，计算方式如下： ； 式中，和分别表示ReLU激活函数和Sigmoid激活函数，和均为全连接权重，分别用于按比例缩减和扩张特征图维度，表示特征图像素的总数，，其中为权重向量，表示矩阵乘法，，其中为特征权重； 得到每个通道的权重向量；其中，为特征图的通道数，表示第个通道是否与场景类别相关，如果相关，，否则，，根据学习到的特征通道权值向量，进一步得到类别相关的注意力特征图，如下所示： ； 把与场景相关的通道累加起来，然后经过Sigmoid函数得到各个像素位置与场景类别相关的注意力特征图； 3c度量模块的构建方式为： 通过深度嵌入模块，每个查询图像将得到个深度局部描述子和深度局部-全局描述子，对于每个深度局部描述符，基于最近邻方法在某个类别中找到个最近邻，计算对应的与之间的相似度，计算方式如下； ； 式中，表示给定的查询图像与类别之间的相似度，表示查询图像的第个局部-全局描述子，表示查询图像的第个局部描述子，表示局部描述子的总数，表示在类别中的第个最近邻，表示的转置，表示两个向量之间的余弦相似度，表示注意力特征图在位置处的响应度，k为设定值； 3d构建中心损失函数和类别损失函数，得到总体损失函数； 中心损失函数Lc为： ； 式中，代表类的数量，代表支持集每一类的样本数，代表第类支持集中第个样本的全局特征，代表第类支持集中样本的全局特征的均值； 类别损失函数Ls为： ； 式中，表示查询图像被正确分类的概率，代表支持集类别的数量，代表查询集中每一类样本的数量，为每个描述子的相似度添加的间距； 最终的总体损失函数表示为：

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中国电子科技集团公司第五十四研究所，其通讯地址为：050081 河北省石家庄市中山西路589号中国电子科技集团公司第五十四研究所遥控遥测专业部；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。