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3D深度卷积神经网络的小样本高光谱图像分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：CN115147742B 。

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：202210778135.5，技术领域涉及：G06V20/13；该发明授权基于3D深度卷积神经网络的小样本高光谱图像分类方法是由王文卿;尚卓;刘涵;梁莉莉设计研发完成，并于2022-06-29向国家知识产权局提交的专利申请。

本基于3D深度卷积神经网络的小样本高光谱图像分类方法在说明书摘要公布了：本发明公开了一种基于3D深度卷积神经网络的小样本高光谱图像分类方法，首先将高光谱数据作为一个整体输入，划分数据为训练集train以及测试集test；然后构建3DCNN的深度学习网络模型，确定各层卷积核的大小、卷积核的个数、全连接层的个数，确定损失函数及其超参数；将高光谱数据的训练集train输入到3DCNN的深度学习网络模型中，实现特征提取；将提取到的特征，输入到分类器中学习特征，训练参数，确定网络模型；最后对测试样本测试，实现对高光谱数据每个像素点的分类。本发明通过构建3DCNN的深度学习模型，学习数据内部的信息结构，可对高光谱数据中的像素点进行分类。

本发明授权基于3D深度卷积神经网络的小样本高光谱图像分类方法在权利要求书中公布了：1.基于3D深度卷积神经网络的小样本高光谱图像分类方法，其特征在于，具体按照以下步骤实施： 步骤1、将高光谱数据作为一个整体输入，划分数据为训练集train以及测试集test； 步骤2、构建3DCNN的深度学习网络模型，确定各层卷积核的大小、卷积核的个数、全连接层的个数，确定损失函数及其超参数； 构建3DCNN网络结构模型，具体如下： 3DCNN网络模型一共有6层，其中有三个多尺度卷积层，一个联合处理空谱信息的卷积层，两个全连接层； 步骤2.1、对于第一个多尺度卷积层，在空间维度上使用小卷积核，在光谱维度上采用大卷积核，核大小分别为11*3*3，7*2*2，5*1*1,其对应的卷积步长stride分别为1,1,1，1,2,2，1,1,1，卷积填充块padding5,1,1，3,3,3，2,0,0； 步骤2.2、对于第二个多尺度卷积层，只对空间信息进行处理，使用1*n1*n1的卷积核，其中n1取值为：1，2，3，即卷积核分别为1*3*3，1*2*2，1*1*1，对应的卷积步长stride分别为1,1,1，1,2,2，1,1,1，卷积填充块padding0,1,1，0,3,3，0,0,0； 步骤2.3、对于第三个多尺度卷积层，对其光谱信息进行处理，使用n2*1*1的卷积核，其中n2的三个取值为：11，7，5；卷积核分别为11*1*1，7*1*1，5*1*1，对应的卷积步长stride分别为1,1,1，1,1,1，1,1,1，卷积填充块padding5,0,0，3,0,0，5,0,0； 步骤2.4、设置一个联合处理空谱信息的卷积层，卷积层大小为：3,2,2，卷积步长stride为1,1,1，卷积填充块padding为1,0,0，随后接入到池化层中，降维，池化层卷积核为3,2,2，stride卷积步长为1,1,1，卷积填充块padding为0,0,0； 步骤2.5、设计两个全连接层：第一个全连接层FC1先将步骤2.4中得到的特征S4映射到1024个节点中，得到特征S5，第二个全连接层FC2将1024个节点中的特征S5，映射到步骤1的高光谱数据集所拥有的类别Label中； 步骤3、将所述步骤1中高光谱数据的训练集train输入到步骤2构建的3DCNN的深度学习网络模型中，实现特征提取； 步骤4、将提取到的特征，输入到分类器中学习特征，训练参数，确定网络模型； 步骤5、对测试样本测试，实现对高光谱数据每个像素点的分类。

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”。