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！

龙图腾网获悉西安理工大学申请的专利基于对比学习的高精度光谱图像聚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：CN116704228B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310783434.2，技术领域涉及：G06V10/762；该发明授权基于对比学习的高精度光谱图像聚类方法是由梁玮;许佳明;蔡磊;金海燕设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本基于对比学习的高精度光谱图像聚类方法在说明书摘要公布了：本发明公开了基于对比学习的高精度光谱图像聚类方法，具体按照以下步骤实施：步骤1、利用主成分分析方法对光谱图像的光谱信息进行降维处理；步骤2、将所述步骤1得出的数据使用水平翻转、垂直翻转、随机点擦除、随机矩形域擦除算法进行数据增强；步骤3、利用DBSA网络提取光谱图像的空间和谱间特征并组合输出；步骤4、利用MLP对提取的特征进行映射，构建实例级对比损失和聚类级对比损失；步骤5、使用训练好的DBSA重新对光谱图像进行特征提取，然后对提取的特征进行聚类。本发明提出了一个双分支光谱注意力网络，并结合谱聚类、Kmeans等传统聚类方法进行聚类，解决了聚类精度较低的问题。

本发明授权基于对比学习的高精度光谱图像聚类方法在权利要求书中公布了：1.基于对比学习的高精度光谱图像聚类方法，其特征在于，具体按照以下步骤实施： 步骤1、利用主成分分析方法对光谱图像的光谱信息进行降维处理； 步骤2、将所述步骤1得出的数据使用水平翻转、垂直翻转、随机点擦除、随机矩形域擦除算法进行数据增强； 步骤3、利用DBSA网络提取光谱图像的空间和谱间特征并组合输出； 步骤4、利用MLP对提取的特征进行映射，构建实例级对比损失和聚类级对比损失； 步骤5、使用训练好的DBSA重新对光谱图像进行特征提取，然后对提取的特征进行聚类； 所述步骤1具体按照以下步骤实施： 步骤1.1、对输入光谱信息执行去平均化操作，将每个特征减去其自身的平均值；其中，为光谱图像通道数，为三维光谱块第通道按宽和高展开后的列矢量； 步骤1.2、对降维后的光谱信息x计算协方差矩阵，再使用奇异值分解的方法计算协方差矩阵的特征值和特征向量，将协方差矩阵的特征值从大到小排序，选择其中前k个最大的特征值，并将它们对应的特征向量作为列向量组成特征向量矩阵； 步骤1.3、将数据转换到k个特征向量构建的新空间中； 所述步骤2中随机点擦除算法步骤如下： 使用相等概率生成一个01矩阵，并将矩阵的中心点置为1，然后与光谱图像的每一个通道相乘； 所述步骤2中随机矩形域擦除算法如下：生成一个与光谱图像相同大小的全1矩阵，随机选择一个子区域将子区域内的值全部置0，将子区域的中心点置为1，最后与光谱图像的每一个通道相乘； 所述步骤4中实例级对比损失如下式所示： 其中，N为mini-batch大小，与表示DBSA网络提取到的特征和经过MLP1获取到的数据，表示与之间的余弦相似度，表示实例级温度系数，与分别是与的损失值，表示实例级对比损失； 所述步骤4中聚类级对比损失如下式所示： 其中，与表示DBSA网络提取到的特征和经过MLP2获取到的数据，M代表聚类数，表示聚类级温度系数，表示与之间的余弦相似度，和表示两种类型的数据增强，表示一个mini-batch在第k种数据增强下经过MLP2的输出，，表示第个样本分配给第类的概率，是聚类分配熵的概率，阻止将大多数实例分配给相同的类。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。