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！

龙图腾网获悉电子科技大学;成都信息工程大学申请的专利一种基于多任务生成对抗网络的典型地物遥感图像生成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：CN116935043B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310703146.1，技术领域涉及：G06V10/26；该发明授权一种基于多任务生成对抗网络的典型地物遥感图像生成方法是由李玉霞;龚钰姝;何磊;张靖霖;童忠贵;刘斌;罗涵设计研发完成，并于2023-06-14向国家知识产权局提交的专利申请。

本一种基于多任务生成对抗网络的典型地物遥感图像生成方法在说明书摘要公布了：本发明公开了一种基于多任务生成对抗网络的典型地物遥感图像生成方法，利用全局生成器捕捉语义标签块的全局信息，生成全局图像；同时利用局部生成器针对不同地物设置类别生成器，以类别生成器的中间特征合成局部生成结果，并引入空间注意模块以加强类别语义标签的生成效果，从而使局部生成器关注不同地物的特点，改善复杂的多类样本生成；利用共享参数编码器平衡全局生成器和局部生成器的训练过程，从而形成稳健的生成器网络；利用融合网络将全局生成结果和局部生成结果融合得到最终生成图像；利用人工制作的语义标签图像输入到训练好的生成模型，可以得到生成的遥感图像，以此来扩充数据集。

本发明授权一种基于多任务生成对抗网络的典型地物遥感图像生成方法在权利要求书中公布了：1.一种基于多任务生成对抗网络的典型地物遥感图像生成方法，其特征在于，包括以下步骤： 1、构建训练数据集； 1.1、下载多张遥感图像，再利用语义分割标注工具将每张遥感图像中的典型地物进行标注，得到语义标签图像；其中，典型地物包括背景、水体、建筑、植被和道路，对应的像素值分别设为1、2、3、4、5；如：典型地物为背景，则对应的像素值设为1，典型地物为水体，则对应的像素值设为2，以此类推； 1.2、将每一张遥感图像与对应的语义标签图像裁剪为m*n大小的图块，其中记第i张遥感图像裁剪后的第j个遥感图像块为Ii,j，对应的语义标签图像块为Si,j，i＝1,2,…表示遥感图像的编号，j＝1,2,…表示遥感图像块的编号；Ii,j和Si,j的大小均为3×W×H的图像； 1.3、对语义标签图像块Si,j进行独热码处理，得到包含单一典型地物的类别语义标签图像将类别语义标签图像与对应遥感图像块Ii,j进行点乘，得到包含单一典型地物的类别遥感图像1.4、将遥感图像块Ii,j与对应的语义标签图像块Si,j作为一组训练数据，从而构成训练数据集； 2、搭建并训练多任务生成对抗网络； 2.1、从训练数据集中选取一组训练数据，并作为多任务生成对抗网络生成器的输入； 2.2、搭建并训练多任务生成对抗网络的生成器； 多任务生成对抗网络生成器以共享参数编码器作为输入端口，其中，共享参数编码器包含3个卷积模块、6个残差模块和3个反卷积模块；每个卷积模块包含了一个3x3的卷积层、一个实例归一化层和一个ReLu激活函数层；残差模块主路径首先依次经过3x3的卷积层、实例归一化层、ReLu激活函数层、3x3的卷积层、实例归一化层，再和跳链路径通道相加共同经过ReLu激活函数层； 语义标签图像块Si,j通过共享参数编码器后，得到编码特征图F64×W×H，然后同时将编码特征图F64×W×H送入多任务生成对抗网络的全局生成器、局部生成器和融合网络中； 其中，全局生成器包含编码器和解码器；编码器由9个串联的编码模块：E1、E2、E3、E4、E5、E6、E7、E8、E9构成，每个编码模块由4x4的步长为2的卷积层、实例归一化层、LeakyReLu激活函数层构成；编码器对编码特征图F64×W×H进行下采样，9个编码模块的输出特征依次为解码器由9个串联解码模块D1、D2、D3、D4、D5、D6、D7、D8、D9构成，每个编码模块由4x4的步长为2的反卷积层、实例归一化层、ReLu激活函数层构成；解码器对编码器最后一个编码模块的输出特征进行上采样，9个解码模块的输出特征依次为局部生成器包含5个结构相同的类别生成器以及类别特征融合模块；类别生成器包含类别编码器和类别解码器；类别编码器由4个串联的类别编码模块EN1、EN2、EN3、EN4构成，每个类别编码模块由4x4的步长为2的卷积层、实例归一化层、LeakyReLu激活函数层构成； 类别编码器将一张类别语义标签图像与编码特征图F64×W×H点乘的结果作为输入，每个类别编码模块的输出特征依次为其中，N＝1,2,…5代表典型地物类别； 类别解码器由4个串联的类别解码模块DN1、DN2、DN3、DN4构成，每个类别解码模块由4x4的步长为2的反卷积层、实例归一化层、ReLu激活函数层构成；类别解码器对类别编码器最后一个类别编码模块的输出特征进行上采样，每个类别解码模块的输出特征依次为类别特征融合模块包括上采样模块、空间注意力模块和一个卷积模块；上采样模块由三个反卷积层构成，每个反卷积层都包含两次“反卷积+实例归一化+ReLu激活函数”计算，其中第一次反卷积操作设置卷积核为3，卷积步长1，第二次反卷积操作设置卷积核为3，步长为2；特征经过一个反卷积层后，在尺度上均扩大为原来的两倍；5个类别生成器的中间特征在通道维度上拼接后输入到上采样模块中，经过上采样计算后得到特征Fl64×W×H；Fl64×W×H紧接着被输入到空间注意力模块中；在空间注意力模块中，Fl64×W×H分别经过平均池化和最大池化得到特征和和通道维度拼接后得到特征经过3×3卷积和Sigmoid运算后得到特征最后Fl64×W×H与像素相乘后得到特征经过一层3×3卷积得到局部生成器的最终结果融合网络由三层3×3卷积及反卷积组成，F64×W×H经过卷积和反卷积运算后，再经过softmax层计算出特征F2×W×H；特征图F2×W×H第一个维度为权重图第二个维度为权重图和点乘的结果与和点乘的结果在通道维度上拼接后输入到3×3卷积中，得到最终生成的遥感图像将最终生成的遥感图像与真实遥感图像Ii,j分别送入特征提取网络，再通过特征提取网络提取特征，然后计算本轮生成器训练后的多损失函数值LG： 其中，Lg＝‑logDGSi,j其中，G和D分别表示生成器和判别器，Lg为生成器损失值； 其中，为与Ii,j间的重建误差损失值； 其中，为与间的重建误差损失值； 其中，Φk表示特征提取网络中第k个模块输出特征，V表示特征提取网络中所选模块的编号，LVGG为和Ii,j间的感知相似的损失值； 其中，GramF＝FTF，F为变量，上标T表示转置，U表示特征提取网络所选模块的序号，LT为和Ii,j间的纹理匹配损失值； 2.3、搭建并训练多任务生成对抗网络的判别器； 多任务生成对抗网络的判别器由6个卷积模块构成，前四个卷积模块由4×4的步长为2的卷积层、实例归一化层和LeakyReLu激活函数层构成，后两个卷积模块由4×4的步长为1的卷积层、实例归一化层和LeakyReLu激活函数层构成；判别器接收Si,j与Ii,j通道拼接的结果和Si,j与通道拼接的结果作为输入； 计算本轮判别器训练后的判别损失Ld： 最后，利用每一组训练数据对多任务生成对抗网络进行训练，训练固定迭代次数后，则停止训练，从而得到训练完成的多任务生成对抗网络； 3、典型地物遥感图像样本生成； 制作含有五类典型地物、大小为m*n样本语义标签图像块，然后再输入至训练完成的多任务生成对抗网络，从而输出对应的遥感图像。

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电子科技大学;成都信息工程大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。

以上内容由龙图腾AI智能生成。