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！

龙图腾网获悉重庆邮电大学申请的专利一种基于深度学习的遥感影像建筑物提取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：CN116912708B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202310894293.1，技术领域涉及：G06V20/13；该发明授权一种基于深度学习的遥感影像建筑物提取方法是由陶于祥;华娟;罗舒月设计研发完成，并于2023-07-20向国家知识产权局提交的专利申请。

本一种基于深度学习的遥感影像建筑物提取方法在说明书摘要公布了：本发明涉及一种基于深度学习的遥感影像建筑物提取方法，属于遥感影像领域。方法包括：首先基于处理好的公开数据集，对Deeplabv3+网络模型进行改进，将其主干网络更换为轻量级的MobilenetV2；把模型的ASPP模块替换为DenseASPP，通过更密集的方式连接一组扩张卷积，以生成覆盖更大尺度范围的多尺度特征。针对模型对小尺度特征信息的表征能力不足的问题，在DenseASPP模块后添加通道注意力机制，通过强化对小建筑物更感兴趣的通道特征，提高模型性能；考虑浅层特征包含更多原始信息，在解码区先将两层浅层特征进行融合，提供更精细的空间信息，增强鲁棒性。

本发明授权一种基于深度学习的遥感影像建筑物提取方法在权利要求书中公布了：1.一种基于深度学习的遥感影像建筑物提取方法，其特征在于：该方法包括以下步骤： S1：选取公开的遥感建筑物数据集lnriaAeriallmageLabelingDataset作为原始数据，并进行裁剪、数据增强在内的数据预处理步骤； S2：对传统的Deeplabv3+模型进行改进，将其主干网络更换为轻量级的MobilenetV2，有效减少参数量并提升模型速度；把模型主要模块ASPP替换为DenseASPP,以更密集的方式连接一组扩张卷积；添加注意力机制ECA模块，其通过两个1×1卷积层直接生成通道注意力图，重新校准特征图的通道权重，选择更加重要的特征通道，提高模型对小尺度信息的提取能力，得到DAEC-Deeplabv3+网络； 所述S2具体包括： S21：构建改进的DAEC_Deeplabv3+网络模型，使用轻量级网络MobileNetV2作为主干网络； S22：在编码区Encoder中，用密集空洞空间金字塔池化DenseASPP来代替原来的ASPP模块，将DenseNet中的密集连接思想应用到了ASPP中；它通过级联多个空洞卷积层，以密集连接的方式将每个空洞卷积层的输出输送给后续的没被访问的所有空洞卷积层； DenseASPP用公式1进行表示： dl表示l层的扩张率，[...]表示串联操作，[yl-1,...,y0]表示对前面所有层的输出进行连接之后生成的特征； S23：在经过DensaASPP完成特征提取后，特征会进行堆叠并且变厚，加入ECA模块，该模块通过直接在全局平均池化层之后使用1×1卷积层，去除全连接层，重新校准特征图的通道权重，选择更加重要的特征通道，提高模型对小尺度信息的提取能力；其用1维卷积高效实现了局部跨通道交互，提取通道间的依赖关系；具体步骤为：先将输入特征图进行全局平均池化操作，然后进行卷积核大小为k的1维卷积操作，并经过Sigmoid激活函数得到各个通道的权重w，如公式2所示： ω＝σC1DKy2 将权重与原始输入特征图对应元素相乘，得到最终输出特征图，再将这个具有较高语义信息的深层特征利用1×1的卷积操作，进行通道数的调整；其中C1D代表一维卷积； S24：在解码区Decoder中，从主干网络中提取第4、7两层浅层特征进行多尺度特征融合MSFF操作后与经过2倍上采样的深层特征层相加，再经过一个2倍上采样，将特征层尺寸恢复，实现语义分割；接着与从主干网络获得的原始浅层特征进行连接操作来增加通道数，然后再利用一个3×3的卷积进行特征提取，最后将输出的图像调整为与输入图像同尺寸；其中的MSFF操作是将两层特征层进行多尺度特征融合； S3：将处理好的遥感影像数据集输入到DAEC-DeepLabv3+网络中进行训练，获得训练好的建筑物检测模型； S4：将训练好的建筑物检测模型在遥感影像的测试集中进行检测，得到遥感建筑物图像分割结果。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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”。