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！

龙图腾网获悉中国地质大学(武汉)申请的专利一种多任务协同学习的遥感无监督域自适应语义分割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：CN118968064B 。

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：202411027659.6，技术领域涉及：G06V10/26；该发明授权一种多任务协同学习的遥感无监督域自适应语义分割方法是由周顺平;冯雨婷;王渝;龚思诗;闵楠;赵宇翔;方芳设计研发完成，并于2024-07-30向国家知识产权局提交的专利申请。

本一种多任务协同学习的遥感无监督域自适应语义分割方法在说明书摘要公布了：本发明涉及遥感图像处理领域，公开了一种多任务协同学习的遥感无监督域自应语义分割方法，方法包括：将任务特定的语义特征和高程特征送入跨任务特征关联学习模块中，潜在学习不同任务间的相关性，获取增强的任务特定特征表示。利用伪标签指导的混合一致性学习模块提升伪标签质量，促进全局域对齐。同时，通过熵引导的类别级对齐提升难分类类别的可分离性。本发明通过将多任务学习与遥感域自适应语义分割相结合，充分利用高程信息辅助遥感的跨域地物分类，显著提升了遥感影像的难分类区域的跨域分割精度。

本发明授权一种多任务协同学习的遥感无监督域自适应语义分割方法在权利要求书中公布了：1.一种多任务协同学习的遥感无监督域自适应语义分割方法，其特征在于：包括以下： S1：获取源域和目标域的遥感影像数据集，对源域和目标域的遥感影像数据集进行裁剪，获得高程图像、遥感影像和语义标签图像； S2：构建语义分割模型，语义分割模型包括：学生模型和教师模型；学生模型和教师模型都包括初始特征提取模块、跨任务特征关联学习模块和最终分类器； S3：获得混合样本的遥感影像和高程图像； 将目标域遥感影像输入教师模型，获得目标域样本的标签和混合样本的伪标签； 将源域遥感影像和增强后的混合遥感影像输入学生模型，获得源域样本的最终高程估计结果和混合样本的最终高程估计结果、源域样本的最终语义分割结果和混合样本的最终语义分割结果； S4：构建域自适应模块，域自适应模块包括伪标签指导的混合一致性学习模块和熵引导的类别级对齐模块，通过伪标签指导的混合一致性学习模块利生成的伪标签监督学生模型对混合样本的学习；通过熵引导的类别级对齐模块，将熵图和每类熵均值加权到分割结果中指导细粒度的类别级对齐； S5：根据源域样本分割结果和语义标签图像计算获得源域样本语义分割损失，将混合伪标签作为监督信息，利用混合样本的语义分割结果计算混合样本的语义分割损失和加权交叉熵损失，计算总体语义分割损失； S6：将源域样本和混合样本的高程估计值和高程真值计算berHu损失获得源域样本和混合样本的高程估计损失，计算总体高程估计损失； S7：将熵图和每类熵均值加权到源域样本和混合样本的预测结果中，促进源域和目标域的数据分布在语义上对齐；使用源域真值和混合伪标签作为监督信息，与熵值加权后的语义分割结果计算熵损失； S8：根据总体损失训练模型，更新模型参数；将目标域的遥感影像数据集输入训练好的学生模型获得最终语义分割结果； 步骤S3具体为： S31：使用ClassMix方法生成混合掩膜，并根据该掩膜选取源域和目标域样本的对应区域，生成混合样本的遥感影像； S32：将目标域遥感影像输入教师模型，生成伪标签；结合混合掩膜、目标域伪标签和源域标签真值生成混合样本的伪标签； S33：对混合样本进行数据增强，包括随机水平翻转、垂直翻转、颜色抖动和高斯噪声； S34：将源域和目标域的遥感影像输入初始特征提取模块，通过参数共享编码器生成初始特征，并利用高程估计瓶颈、语义分割瓶颈和初始语义分类器生成初始语义分割和高程估计预测结果； S35：将初始特征送入跨任务特征关联学习模块，通过交叉特征增强单元和任务特定的门控结构，生成最终语义和高程的自适应融合特征; S36：将自适应融合特征输入最终分类器，生成最终语义分割和高程估计预测结果。

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地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。