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！

龙图腾网获悉南京理工大学申请的专利深度特征前向差异提取与后向回溯修正的变化检测方法与系统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：CN117132888B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202311018256.0，技术领域涉及：G06V20/10；该发明授权深度特征前向差异提取与后向回溯修正的变化检测方法与系统是由肖亮;黄成玮设计研发完成，并于2023-08-11向国家知识产权局提交的专利申请。

本深度特征前向差异提取与后向回溯修正的变化检测方法与系统在说明书摘要公布了：本发明公开了一种深度特征前向差异提取与后向回溯修正的变化检测方法与系统，方法包括：在深度特征前向差异提取模块进行差异特征提取，训练深度孪生网络提取双时相图像多尺度特征，设计差异检测模块获取多尺度差异，同时将通道注意力模块和空间注意力模块应用到差异检测模块中，使差异特征更具有辨别性；在后向回溯修正模块中进行差异的修正，利用差异修正单元来学习更精确的边界特征，避免边界检测结果和变化区域预测结果分离，从最深的网络层开始回溯修正，通过将多个边界信息引导模块应用到不同的卷积层，最终生成更准确的变化结果。本发明能够有效处理变化检测存在的微小变化不易检测、建筑物边界模糊的问题，提高变化检测的准确度。

本发明授权深度特征前向差异提取与后向回溯修正的变化检测方法与系统在权利要求书中公布了：1.一种深度特征前向差异提取与后向回溯修正的变化检测方法，其特征在于，包括以下步骤： 第一步，输入双时相图像x1，x2，进行图像预处理； 第二步，构建深度孪生特征提取网络，使用VGG网络作为深度孪生网络特征提取器，在多个尺度下分别提取双时相图像特征，设置两个存储器，分别保存获得的双时相图像多尺度特征； 第三步，差异检测模块获得图像多尺度差异特征，将第二步存储下来的每个尺度下的双时相特征映射拼接，同时应用由通道注意力模块和空间注意力模块组成的卷积注意模块，获取图像多尺度差异特征映射，保存到存储器，完成深度特征前向差异提取模块的构建； 第四步，差异修正单元学习边界特征，将最深一层的差异特征映射输入到差异修正单元，获得边界特征信息，将变化信息和边界结构先验信息结合到一个网络中，具体过程为： 1首先，在第五层获得的差异特征D5施加一个3×3的卷积层，获得语义特征： S5＝Conv3D57 S5的通道数与D5保持一致，然后将语义特征用于预测区域变化图，对S5施加一个1×1的卷积层，获得一个二分类的区域变化图 边界特征B5提取直接在变化图中提取，得到与差异对象相关的边界信息；这个操作可由以下表达式给出： 其中每个卷积层输出的特征图的数量为64；利用边界特征生成边界图 公式7-10共同组成了一个包含变化区域和边界检测的差异修正单元；2将D4与前一阶段生成的语义和边界特征融合，得到互补特征C4： C4＝Conv3CatD4,S5,B511 第五步，边界信息引导模块对差异特征不断修正，将获得边界特征信息与前一层的差异特征映射拼接，然后输入到边界信息引导模块，对差异特征不断修正；将获得的结果重新输入到差异修正单元中，重复以上步骤，不断往前回溯，对每一层的差异特征进行修正；将最后一层输出的结果作为最终的变化检测结果，完成深度特征后向回溯修正模块的构建；具体过程为： 1首先，将F沿通道维度均匀划分为N个子层，即F＝{F1,F2,…,N}，其中Fi包含CN个特征图，c表示F的特征图个数，i＝1,2,…N；将每个子层的边界信息与引导图进行比较，获得每个子层的边界置信度Ki： Ki＝σConv1Conv3Fi12 其中，σ表示softmax激活函数，Conv3、Conv1分别表示3×3、1×1的卷积层，分别输出一个通道数为CN和2的特征图； 2随后，将所有置信度图和引导图一一结合，计算出每个置信度图中包含的边界信息的准确度，用以下表达式描述： 表示逐元素相乘，simi表示Ki和B的像素匹配程度；simi的计算就是在Ki上找到边界信息对应的像素，simi值越大，Ki属于边界像素的可能性越大；公式13计算Ki和B之间每个像素的相似度，再计算整体的相似度OS： 其中，Hi和Wi分别表示特征图的高度和宽度；OSi的值将一个子层所包含的边界信息概况为一个整体；根据获得的OS值动态地为所有子层分配权重，权重的计算为 3获得权重之后，将每个子层和对应的权重结合起来确定贡献度，细化之后的特征层生成如下： 其中，⊙表示Fi中的所有像素值同时乘以wi；最后，将所有的子层结合到一起生成作为边界引导模块的输出； 卷积运算的输出由C个通道组成，Cat*是特征图的拼接； 4将上一步骤获得的C4输入到设计的边界信息引导模块进行差异特征细化；在前一阶段生成的作为一个边界引导图，与C4拼接，生成一个增强差异特征层，具体表示为： 其中，表示增强的特征层；然后，将送入差异修正单元来预测变化区域和边界； 5不断向前回溯，对剩余的差异特征D3、D2和D1应用与D4做相同的处理；处理时，设计的语义和边界特征，以及边界引导图均是从它们对应的前一阶段生成的；因此，所提出的网络包含五个差异修正单元，构成了一个五阶段检测方案；通过借助于边界引导模块学习边界信息，特征不断细化，下一个检测阶段变得比前一个更加准确；最后，将最后一个差异修正单元预测的变化图作为网络的最终输出，完成深度特征后向回溯修正模块的构建； 第六步，每个差异修正单元包含变化区域和边界检测；对于变化区域，施加一个对比损失，对于边界检测，施加一个Dice损失，使用组合损失实现模型的训练。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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。