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！

龙图腾网获悉北京工业大学申请的专利基于GF-2遥感影像多尺度路网提取的非对称对抗性学习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：CN115861840B 。

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：202211571579.8，技术领域涉及：G06V20/13；该发明授权基于GF-2遥感影像多尺度路网提取的非对称对抗性学习方法是由林绍福;姚昕设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本基于GF-2遥感影像多尺度路网提取的非对称对抗性学习方法在说明书摘要公布了：本发明公开了基于GF‑2遥感影像多尺度路网提取的非对称对抗性学习方法，本方法的复杂场景下非对称对抗性多尺度道路特征学习方法从两个方面来增加道路提取的能力，一方面采用对抗学习的网络架构，加强空间标签的连续性，与非逆向训练相比，可以生成更准确、平滑的结果。另一方面采用非对称的编解码结构作为分割网络，减少冗余特征的输入，并将高层特征逐渐与低层特征融合，保留更多细节信息。最后在鉴别器中引入结构监督，引导生成器生成与人工注释路网结构相似的注释路网，将道路线性特征引入提取过程，解决道路提取结果连通性问题。利用本发明实现对道路特征的提取，有效提高道路特征提取的准确率和连通性，且具有更高的精度。

本发明授权基于GF-2遥感影像多尺度路网提取的非对称对抗性学习方法在权利要求书中公布了：1.基于GF-2遥感影像多尺度路网提取的非对称对抗性学习方法，其特征在于，该方法的实施步骤如下： 步骤（1）获取GF-2遥感数据，对GF-2遥感数据进行存储和预处理，对道路进行标记构造道路提取样本数据库，并按公开划分方式将其拆分为训练集和测试集； 步骤（2）构建融合多尺度非对称编解码结构的道路分割网络-RNet，最终通过Sigmoid分类器获取道路分割概率图，所述非对称编解码结构道路分割网络包括ASPP模块、特征融合模块和解码器模块； 所述ASPP模块包括以不同采样率的空洞卷积对输入特征图并行采样，然后将得到的结果连接到一起，以多个比例捕获图像上下文信息； 所述特征融合模块包括将低维特征与高维特征进行融合，使网络能够保留更多高层特征图蕴含的高分辨率细节信息，保留更多细节； 所述解码器模块包括非对称的解码器减少领域重叠部分的重复运算，提高网络运行效率； 步骤（3），构建MSC-RoadGAN的鉴别器-DNet，将RNet生成标签和真实标签共同输入DNet，并在DNet中引入结构监督，DNet判断传入标签是真实标签还是RNet生成标签； 步骤（4），基于RNet和DNet网络构建MSC-RoadGAN，RNet与DNet相互对抗，DNet引导RNet生成与人工注释路网结构相似的注释路网，解决道路分割连通性问题； 步骤（5），基于构建的MSC-RoadGAN道路提取模型，在训练集上进行训练，优化模型参数，直至MSC-RoadGAN模型收敛； 步骤（6），基于收敛后的MSC-RoadGAN道路提取模型，对测试集进行预测，利用输出概率获得道路提取结果； 所述步骤（3）中，鉴别器训练包括在鉴别器中加入结构相似性损失，将图形特征引入像素分割过程，引导生成器的分割结果与标签轮廓更为相似； 所述步骤（5）中，基于构建的MSC-RoadGAN道路提取模型，在训练集上进行训练，包括： 步骤51，初始化MSC-RoadGAN道路提取模型参数，固定训练集的裁剪大小，每批次的输入张数，以及初始学习率； 步骤52，道路分割网络采用Adam优化器进行训练，道路分割网络前向传播，输出结果通过Sigmoid分类器获取道路分割概率图，根据分割损失函数计算真实标签与概率图的损失值，其中分割损失函数由二值交叉熵损失和均方损失共同构成； 步骤53，将道路分割概率图与真实标签传入鉴别器，鉴别器网络采用FCN结构，输出H×W×1维度的置信度图，H为原始图像高度，W为原始图像宽度；置信图中的每个像素x，如果来自地面真值标签则设置为1，如果来自概率图则设为0；通过后向反馈不断更新网络参数，直至网络收敛。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。