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可解释极化深度学习网络的海水浮筏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：CN119851158B 。

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：202510323261.5，技术领域涉及：G06V20/13；该发明授权一种可解释极化深度学习网络的海水浮筏养殖信息提取方法是由范剑超;刘科源;隋子泰;郑丹晨设计研发完成，并于2025-03-19向国家知识产权局提交的专利申请。

本一种可解释极化深度学习网络的海水浮筏养殖信息提取方法在说明书摘要公布了：本发明提供一种可解释极化深度学习网络的海水浮筏养殖信息提取方法，属于海洋遥感与人工智能交叉技术领域。其中可解释极化深度学习网络包括三个关键组件：极化散射类激活映射模块、可解释分割一致性学习模块和精细化类激活与边缘引导网络。极化散射类激活映射模块通过结合全极化SAR影像的极化散射特征与梯度权重，生成高质量的类激活映射图；可解释分割一致性学习模块利用生成的类激活映射图，指导模型在训练过程中关注养殖区域的特征；精细化类激活与边缘引导网络采用双分支架构，分别进行语义分割和边缘监督，生成准确的分割结果。本发明能够显著减少背景误判的发生，确保分割结果清晰、细致；且具有较强的适用性。

本发明授权一种可解释极化深度学习网络的海水浮筏养殖信息提取方法在权利要求书中公布了：1.一种可解释极化深度学习网络的海水浮筏养殖信息提取方法，其特征在于，所述海水浮筏养殖信息提取方法中的可解释极化深度学习网络包括三个关键组件：极化散射类激活映射模块、可解释分割一致性学习模块和精细化类激活与边缘引导网络；所述极化散射类激活映射模块通过结合全极化SAR影像的极化散射特征与梯度权重，生成类激活映射图；所述可解释分割一致性学习模块利用生成的类激活映射图，指导模型在训练过程中关注养殖区域的特征；所述精细化类激活与边缘引导网络采用双分支架构，分别进行语义分割和边缘监督，能够同时关注养殖区域的语义特征和边缘细节，生成准确的分割结果；所述海水浮筏养殖信息提取方法包括以下步骤： 第一步，收集遥感卫星的PolSAR影像数据，对其进行预处理； 第二步，设计精细化类激活与边缘引导网络；所述精细化类激活与边缘引导网络采用编码器-双解码器架构，包括卷积骨干网络、语义解码器和边缘解码器；所述语义解码器利用精细化类激活注意力模块增强PolSAR伪彩色影像中浮筏区域的语义特征；所述边缘解码器则利用边缘驱动特征增强模块，精确捕捉PolSAR伪彩色影像中浮筏区域的边界信息；相互协作，通过特征融合和卷积分割头生成最终的分割输出； 第三步，设计极化散射类激活映射模块，极化散射类激活映射模块通过将极化散射先验知识与深度学习的梯度权重信息相结合，生成物理意义明确的类激活图，同时直接参与训练过程，指导卷积骨干网络提取具有代表性的特征；极化散射类激活映射模块通过二面角散射先验信息优化激活图的生成； 第四步，设计可解释分割一致性学习模块；可解释性分割一致性学习模块的设计目标是利用极化散射类激活映射模块产生的类激活图指导模型学习；具体的： 步骤4.1，通过极化散射类激活映射模块生成类激活图CAM，用于突出精细化类激活与边缘引导网络的卷积骨干网络对目标类别的关注区域；类激活图的生成公式如下： 其中，CAMix,y表示类别i在空间位置x,y的类激活值；Akx,y是第k个通道的特征映射；为类别i对应的第k个通道的权重； 步骤4.2，从精细化类激活与边缘引导网络的卷积骨干网络中提取的特征映射通过通道维度求和，生成综合激活图SAM，以综合反映目标区域的特征强度，如公式19所示： 其中，SAMx,y表示所有通道特征映射在空间位置x,y的总和； 为了确保综合激活图与类激活图在空间分布上保持一致，可解释分割一致性学习模块通过一致性损失函数对二者进行约束；一致性损失基于均方误差MSE计算，如公式20所示： 其中，SAM′x,y为归一化后的综合激活图，CAM′ix,y为归一化后的类激活图，H和W分别表示特征图的高度和宽度； 第五步，设计多优化目标损失函数L对整个网络进行优化；具体如下： 通过语义分割损失Lseg与融合损失Lfuse优化像素级分类，利用交叉熵函数精准区分目标与背景；结合加权二元交叉熵与交并比损失的边缘检测损失Ledge，强化对复杂边界的空间一致性建模；同时引入可解释一致性损失Lcon，约束卷积骨干网络特征与类激活图的对齐，促进特征聚焦目标主体并抑制噪声干扰，如式21所示： L＝Lseg+Ledge+Lfuse+λLcon21； 其中，λ用于控制可解释性损失的权重。

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”。