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！

龙图腾网获悉大连理工大学申请的专利一种完全无监督Transformer网络的SAR海水养殖信息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：CN119851157B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202510323232.9，技术领域涉及：G06V20/13；该发明授权一种完全无监督Transformer网络的SAR海水养殖信息提取方法是由范剑超;李萌萌;赵益智;隋子泰;邓棋文设计研发完成，并于2025-03-19向国家知识产权局提交的专利申请。

本一种完全无监督Transformer网络的SAR海水养殖信息提取方法在说明书摘要公布了：本发明提供一种完全无监督Transformer网络的SAR海水养殖信息提取方法，属于海洋遥感与人工智能交叉技术领域。本发明第一阶段从大量无标记的SAR海水养殖影像中提取目标的通用特征，为下游分割网络提供初始化权重。第二阶段则设计全局最优伪标签生成器和细粒度判别与补全模块：前者捕获全局相似的语义特征，生成初始伪标签，在增强语义相关性的同时消除混淆目标的干扰；后者提高伪标签的局部连续性，通过分区域补全目标的细节和连续性语义特征。本发明能够解决无法深度挖掘海量无标记海水养殖内蕴信息，且传统无监督方法在复杂场景下分割性能受限等问题，通过不断优化的伪标签作为真值训练分割网络，能够实现完全无监督的海水养殖分割任务。

本发明授权一种完全无监督Transformer网络的SAR海水养殖信息提取方法在权利要求书中公布了：1.一种完全无监督Transformer网络的SAR海水养殖信息提取方法，其特征在于，所述SAR海水养殖信息提取方法包括上游自监督预训练和下游无监督伪标签训练两个阶段；首先，在上游阶段，将海量无标记的SAR图像数据输入自监督Transformer网络中进行预训练，获取训练后的网络权重，定义自监督变压器网络为自监督Transformer网络；接下来，在下游阶段，设计全局最优伪标签生成器和细粒度判别与补全模块，具体的：首先，利用上游自监督预训练获得的网络权重初始化Teacher网络，并将下游的训练数据输入Teacher网络，通过全局最优伪标签生成器生成训练图像的初始伪标签；其次，将初始伪标签作为约束，用于指导Student网络的训练；通过Student网络对图像进行分割，其输出结果与Teacher网络学习到的特征结合，共同输入到细粒度判别与补全模块中；通过细粒度判别与补全模块对初始伪标签进行细粒度的优化，细化养殖目标的细节特征并提升其连续性信息，生成优化后的伪标签；最后，采用优化后的伪标签替代初始伪标签约束分割网络，而分割网络的输出又反过来优化伪标签，通过伪标签的迭代优化机制，实现完全无监督的SAR海水养殖信息提取；包括以下步骤： 第一步，构建无标签海水养殖数据集，得到上游自监督预训练数据集和下游无监督伪标签训练数据集； 第二步，上游预训练阶段，采用自监督Transformer网络对上游自监督预训练数据集进行训练； 步骤2.1，自监督Transformer网络由和组合而成，的网络参数为，的网络参数为，得到和的两个输出概率分别为和； 步骤2.2，更新的参数； 步骤2.3，利用的网络参数更新的网络参数； 步骤2.4，在上游自监督Transformer网络训练完成后，冻结的参数； 第三步，进行下游无监督伪标签训练，下游训练网络由Teacher网络和Student网络组成；首先，将第二步冻结的参数作为Teacher网络的初始权重，Teacher网络的权重，，然后利用Teacher网络对下游无监督伪标签训练数据集中的图像进行特征提取，之后Teacher网络输出的特征输入至全局最优伪标签生成器，生成初始伪标签，利用初始伪标签作为约束训练Student网络； 第四步，通过Student网络的分割结果和Teacher网络输出的特征图输入到细粒度判别与补全模块，进一步优化伪标签；所述Student网络包括编码器和解码器两部分组成，其中编码器部分基于多尺度Transformer架构，用于提取输入数据的特征，解码器采用UPerHead结构，包括特征融合和多尺度信息聚合单元，Student网络的初始参数为； 第五步，建立下游无监督伪标签训练网络的目标函数与网络迭代优化过程。

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大连理工大学，其通讯地址为：116000 辽宁省大连市甘井子区凌工路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”。