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！

龙图腾网获悉西安电子科技大学申请的专利基于对比学习与子空间的小样本跨域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：CN116977744B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202310979029.8，技术领域涉及：G06V10/764；该发明授权基于对比学习与子空间的小样本跨域高光谱图像分类方法是由慕彩红;张富贵;刘逸;陈素玲;王蓉芳;冯婕设计研发完成，并于2023-08-04向国家知识产权局提交的专利申请。

本基于对比学习与子空间的小样本跨域高光谱图像分类方法在说明书摘要公布了：本发明公开一种基于对比学习与子空间的小样本跨域高光谱图像分类方法，主要解决常规方法嵌入特征信息利用率低、训练花费高及精度低的问题。其方案包括：获取高光谱数据集，划分源域与目标域获得训练集与测试集；构建映射层与特征提取器，利用其分别提取源域与目标域的嵌入特征以进行子空间分类与对比学习；构建域鉴别器，计算源域与目标域的域鉴别损失、空间损失及对比损失的总损失；利用训练集通过反向传播对特征提取器进行迭代训练，直到总损失函数收敛；将测试集输入到训练好特征提取器，得到的分类结果。本发明提高了分类器的辨别能力强和分类精度，提升了嵌入特征信息的利用率，减小了训练花费，可用于资源勘探、森林覆盖和灾害监测的地物分类。

本发明授权基于对比学习与子空间的小样本跨域高光谱图像分类方法在权利要求书中公布了：1.一种基于对比学习与子空间的小样本跨域高光谱图像分类方法，其特征在于，包括如下： 1获取高光谱数据集并进行划分： 1a从公开网站中获取G个高光谱数据集，将一个数据集作为源域，剩下的G-1个数据集作为目标域； 1b从源域数据集中选C个类别，每个类选K个源域样本作为源域支持集Ss，再选取N个其他源域样本组成源域查询集Qs； 1c从目标域数据集中选H个带标签类别，每个类选取K个目标域有标签样本作为目标域支持集St，每个类再选N个其他目标域有标签样本组成目标域查询集Qt，用目标域支持集St与目标域查询集Qt共同组成训练集Tr；将剩下的目标域无标签样本作为测试集Te； 2构建包括一个二维卷积层与一个BatchNorm2d层的映射层；构建包括两个残差块、两个最大池化层，一个卷积层和一个Flatten层的特征提取器fθ； 3对源域与目标域的嵌入特征进行子空间分类： 3a将源域支持集Ss，源域查询集Qs，目标域支持集St，目标域查询集Qt分别输入到映射层与特征提取器fθ，得到源域支持集嵌入特征fθSs、源域查询集嵌入特征fθQs、目标域支持集嵌入特征fθSt、目标域查询集嵌入特征fθQt； 3b利用源域支持集嵌入特征fθSs构建源域子空间，并计算源域查询集嵌入特征fθQs在源域子空间中的源域子空间损失lS； 3c计算源域支持集嵌入特征fθSs在源域子空间中的源域支持损失 3d利用目标域支持集嵌入特征fθSt构建目标域子空间，并计算目标域查询集嵌入特征fθQt在目标域子空间中的目标域子空间损失lT； 3e计算目标域支持集嵌入特征fθSt在目标域子空间中的目标域支持损失 4将源域支持集Ss分成C个对比组，计算其输入映射层和特征提取器的对比损失lCL； 5构建包括五个全连接层，四个ReLU非线性激活函数，四个dropout层，一个Softmax激活函数的域鉴别器fD； 6计算域鉴别损失lD： 6a将源域子空间损失lS、源域支持损失源域支持集嵌入特征fθSs、源域查询集嵌入特征fθQs进行融合，得到源域融合特征Ths； 6b将目标域子空间损失lT、目标域支持损失目标域支持集嵌入特征fθSt、目标域查询集嵌入特征fθQt进行融合，得到目标域融合特征Tht； 6c将源域和目标域的融合特征Ths、Tht输入域鉴别器fD中计算域鉴别损失lD： 其中，D,T分别代表域鉴别器与特征提取器的融合特征，xs，xt分别代表源域样本和目标域样本，Psx，Ptx分别表示源域分布与目标域分布，DThs表示鉴别器fD预测源域融合特征Ths来源于源域的概率，表示鉴别器fD预测目标域融合特征来源于目标域的概率，E为期望输出； 7计算总损失函数以训练特征提取器： 计算由源域子空间损失lS，目标域子空间损失lT，对比损失lCL，域鉴别损失lD组成的总损失函数：l＝λ1lS+λ2lT+λ3lCL+lD，其中λ1、λ2、λ3分别为lS、lT、lCL的可调整参数； 通过反向传播对特征提取器fθ进行迭代训练直到总损失函数收敛，得到训练好的特征提取器fθ'； 8利用测试集数据进行分类： 8a将训练集Tr输入到映射层和训练好的特征提取器fθ'中，得到训练集嵌入特征fθ'Tr，利用该特征fθ'Tr构建训练集子空间； 8b将测试集Te输入到映射层和训练好的特征提取器fθ'中，得到测试集嵌入特征fθ'Te，并计算其在训练集子空间中的测试子空间损失l'； 8c以测试子空间损失l'中最小的类别作为预测类别，完成分类任务。

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电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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”。