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！

龙图腾网获悉齐齐哈尔大学申请的专利基于Transformer增强的双流互补卷积神经网络的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：CN117975268B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202410134030.5，技术领域涉及：G06V20/10；该发明授权基于Transformer增强的双流互补卷积神经网络的高光谱图像分类方法是由潘海珠;闫辉;葛海淼设计研发完成，并于2024-01-31向国家知识产权局提交的专利申请。

本基于Transformer增强的双流互补卷积神经网络的高光谱图像分类方法在说明书摘要公布了：本发明涉及图像分类方法领域，步骤如下：先提出光谱和空间特征提取流，均包含混合卷积块和由Transformer组成的注意力模块；混合卷积块旨在挖掘基于局部依赖性的高分辨率的特征，注意力模块用于提取基于全局依赖性的光谱和空间通道中的关键特征；然后从SpeFES和SpaFES中分别导出光谱和空间特征标记；使用光谱‑空间权重特征互补模块通过空间标记的光谱权重和光谱标记的空间权重来充分利用标记中的特征；最终，这些具有不同语义特征的特征标记被送入分类模块生成分类结果。本发明解决了大多数基于卷积神经网络和Transformer的方法无法充分利用高光谱图像中的光谱和空间特征的问题。

本发明授权基于Transformer增强的双流互补卷积神经网络的高光谱图像分类方法在权利要求书中公布了：1.基于Transformer增强的双流互补卷积神经网络的高光谱图像分类方法，其特征在于，该方法包括如下步骤： 步骤S1，高光谱图像的高分辨率和光谱-空间通道中的关键性特征提取，使用SpeFES和SpaFES分别进行光谱和空间特征提取； 所述SpeFES包括光谱混合卷积模块和由Transformer编码器组成的光谱注意力机制，且光谱混合卷积模块提取的高分辨率特征图被馈送到光谱注意力机制中；所述SpaFES包括由Transformer编码器组成的空间注意力机制和空间混合卷积模块，混合卷积模块使用简化3D卷积核； 所述混合卷积模块由五个卷积层组成，五个卷积层包括四个3D卷积层和一个3D转置卷积层，且3D转置卷积层位于其他四个3D卷积层的中间位置，且混合卷积模块的特征提取过程表达如下： fσXm+4；θ＝ωσXm+4*km+1+Sm+1 σXm+4＝Xm+1+fXm+1；θ+εXm+2；θ+fXm+3；θ； 其中Xm+1表示输入到第m+1层的3D立方体，km+1、Sm+1分别代表第m+1层的卷积核和步幅，fX；θ代表在X上的3D卷积操作，εX；θ表示在X上的3D转置卷积操作； 所述光谱混合卷积模块和空间混合卷积模块处理后的特征图Aspe∈Rc×h×w和Bspa∈Rc ×h×w还需分别进行Token化的预处理，获取输出通道为64的光谱Token和空间Token，然后将光谱Token和空间Token分别喂入光谱和空间注意力机制中，得到具有基于全局依赖性的关键性特征的光谱Token和空间Token； 步骤S2，采用光谱-空间权重特征互补模块来补充光谱特征Token和空间特征Token之间的光谱和空间权重特征；并同时提取光谱和空间语义特征； 所述光谱-空间权重特征互补模块具体的补充过程如下： 其中，表示权重参数矩阵，C表示互补函数； 所述光谱-空间权重特征互补模块基于矩阵U计算每一个tclsToken中每个元素的期望的Exi并将其作为相应Token的语义特征的具体过程如下： 其中Xclass属于第c类的元素集合，nclass表示在第c类中元素的数量； 所述光谱-空间权重特征互补模块的输出如下所示： 其中，代表具有语义特征的光谱Token，代表具有语义特征的空间Token； 步骤S3，采用分类模块生成分类结果。

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齐齐哈尔大学，其通讯地址为：161006 黑龙江省齐齐哈尔市建华区文化大街42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”。