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！

龙图腾网获悉天津大学申请的专利基于卷积神经网络的遥感影像缩略图异常数据识别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：CN116385880B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202310375451.2，技术领域涉及：G06V20/10；该发明授权基于卷积神经网络的遥感影像缩略图异常数据识别方法是由杨敬钰;李书恒;岳焕景设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本基于卷积神经网络的遥感影像缩略图异常数据识别方法在说明书摘要公布了：本发明公开了基于卷积神经网络的遥感影像缩略图异常数据识别方法，涉及数字图像处理技术领域。本发明主要包括以下内容：S1、遥感影像缩略图异常数据识别数据集建立；S2、遥感影像缩略图异常数据识别算法构建；S3、算法训练：基于深度学习框架Pytorch训练模型，使用Adam优化器，迭代训练若干次，得到最终的稳定的遥感影像缩略图异常数据识别模型；S4、模型测试及结果输出：将测试集中遥感影像缩略图数据输入至S3中所得的稳定的遥感影像缩略图异常数据识别模型中，输出相应异常数据识别结果。本发明相较于现有技术，可以准确、高效地对遥感影像缩略图进行异常数据识别。

本发明授权基于卷积神经网络的遥感影像缩略图异常数据识别方法在权利要求书中公布了：1.基于卷积神经网络的遥感影像缩略图异常数据识别方法，其特征在于，具体包括以下步骤： S1、遥感影像缩略图异常数据识别数据集建立： S1.1、数据采集：使用卫星进行数据集的建立，将采集到的遥感影像多光谱数据进行融合，得到具有三通道的遥感影像缩略图； S1.2、数据标注：将S1.1中所得的全部遥感影像缩略图根据其出现的异常情况进行人工标注；所述异常情况具体分为数据缺失、数据乱码、数据偏色和CCD拼接四种；结合所述异常情况，具体人工标注为，其中，k表示数据集中的第k张图片，，i=1,2,3,4；表示该图像存在第i种异常，表示不存在该种异常；表示该图像不存在任何异常，为正常的遥感影像； S1.3、数据裁剪：将S1.1中所得的全部遥感影像缩略图数据裁剪至224×224像素大小； S1.4、数据划分：将S1.1中所得的全部遥感影像缩略图数据按照训练集：验证集：测试集=8:1:1的比例进行随机划分； S1.5、数据增广：对于训练集中的图像，分别采用翻转、平移、旋转、加噪的方式进行数据增广，在不改变标签的前提下，扩大训练集的规模； S2、遥感影像缩略图异常数据识别算法构建：基于卷积神经网络技术，结合S1中所建立的遥感影像缩略图异常数据识别数据集，构建遥感影像缩略图异常数据识别算法，所述算法具体包括以下内容： ①主干网络：选用ResNet-50作为主干网络，对输入的遥感影像缩略图进行特征提取；所述ResNet-50中每个残差块由三个卷积层、三个BatchNormalization层、两次ReLU操作以及残差连接构成；残差块输出的特征表示为： 其中，F in表示残差块的输入特征；Conv与BN分别代表卷积层与BatchNormalization层；F residual为残差块的输出特征； ②通道注意力模块：分别在主干网中的第一个卷积层与最后一个卷积层后加入通道注意力模块； ③空间注意力模块：在每一个通道注意力模块后添加一个空间注意力模块； ④分类层：在主干网络的末尾依次添加两个全连接层与一个sigmoid层，将主干网络输出的特征图映射到一个长度为1×4的向量y上，其中，y=y 1,y 2,y 3,y 4分别代表每一种异常的得分； ⑤损失函数与超参数：使用二元交叉熵Loss、FocalLoss与L2Loss三种损失函数共同监督卷积神经网络的输出； S3、算法训练：基于深度学习框架Pytorch训练模型，使用Adam优化器，在整个训练集上共迭代训练N周期，学习率设置为f；当训练至N2周期时，将学习率调整为f10；训练结束后，得到最终的稳定的遥感影像缩略图异常数据识别模型； S4、模型测试及结果输出：将测试集中遥感影像缩略图数据输入至S3中所得的稳定的遥感影像缩略图异常数据识别模型中，输出相应异常数据识别结果。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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”。