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！

龙图腾网获悉中国地质大学(武汉)申请的专利基于图卷积网络的建筑物化简算法选择方法、装置及设备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：CN116758424B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310739574.X，技术领域涉及：G06V20/10；该发明授权基于图卷积网络的建筑物化简算法选择方法、装置及设备是由徐永洋;李文晶;谢雪景;谢忠设计研发完成，并于2023-06-20向国家知识产权局提交的专利申请。

本基于图卷积网络的建筑物化简算法选择方法、装置及设备在说明书摘要公布了：本发明提出一种基于图卷积网络的建筑物化简算法选择方法、装置及设备。该方法通过对单个建筑物构建合理图结构，使模型学习到单个建筑物的形状特征，对其进行自适应化简算法分类，找到适合该形状建筑物在目标比例尺下化简的最优解。旨在通过对建筑物形状特征的学习，建立对建筑物整体的形状特征与表达，通过图卷积神经网络学习分类的方法，建立建筑物形状编码与多种化简算法的映射关系，从而实现为目标比例尺下的建筑物轮廓化简。本发明将图卷积神经网络应用于建筑物化简算法选择研究，能批量化、自动化的对建筑物语义分割结果进行有效化简；本发明在对建筑物形状进行描述时，引入了多尺度特征，对建筑物的形状描述更加准确。

本发明授权基于图卷积网络的建筑物化简算法选择方法、装置及设备在权利要求书中公布了：1.一种基于图卷积网络的建筑物化简算法选择方法，其特征在于，包括以下步骤： S1：获取高分遥感影像，对高分遥感影像进行裁剪及数据增强操作，采用HRnet方法对高分遥感影像进行分割，得到建筑物语义分割结果数据集； S2：对建筑物语义分割结果数据集进行建筑物边界矢量化，得到建筑物矢量数据集； S3：对步骤S2得到的建筑物矢量数据集进行图结构构建及特征提取，得到建筑物图结构数据集；所述对建筑物矢量数据集进行图结构构建及特征提取，需要对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建，且满足构建的图结构能有效反映该建筑物的形状特征； 所述对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建的步骤，包括： S3.1：对单个矢量化后的建筑物边界采用狄洛尼三角网生成图结构，以便加强节点与节点之间的联系； S3.2：通过S3.1得到的图结构，对该建筑物的进行特征提取，以得到建筑物形状的初始特征表示，包括全局特征和基于轮廓的多尺度序列特征，涵盖全局和局部、区域与轮廓的认知视角，构成每个建筑物的特征矩阵X； S4：基于步骤S2得到的建筑物矢量数据集，根据建筑物形状，采用人工识别构建分类样本库，作为分类标签数据集；具体包括： 利用已有的化简知识对语义分割结果数据集的每个建筑物进行最优化简算法标注，得到该建筑物所适应的最佳化简算法，制作出分类标签数据集Y； 所述已有的化简知识包括：化简前后保持建筑物的形状结构特征、保持化简前后中心位置不变、尽量保持化简前后建筑物的视觉中心不变、保持化简前后建筑物的面积不变； S5：根据S3得到的建筑物图结构数据集以及S4得到的分类标签数据集训练基于图卷积网络的化简算法选择模型，训练完成后，得到训练好的化简算法选择模型；具体包括： 将步骤S3中所得到每个建筑物的特征矩阵X以及步骤S4得到的分类标签数据集Y分别对应划分为训练集与测试集，将训练集输入图卷积神经网络中，对网络进行训练，训练过程如下： S5.1：将S3步骤中得到的每个建筑物的特征矩阵X输入图卷积神经网络，经过卷积计算以及得到； S5.2：通过计算与分类标签数据集Y的交叉熵损失，用于计算建筑物标签数据集合与模型预测结果之间的差异，计算方法如下： 在式中，表示样本的真实标签概率，表示预测得到的概率，表示分类数据的总和； S5.3：判断S5.2中计算得到的差异值是否收敛，若是，则停止网络训练，将当前收敛情况下的图卷积网络作为建筑物化简算法选择模型；否则，返回步骤S5.1，继续训练； S6：利用步骤S5训练好的化简算法选择模型，对单个建筑物进行化简算法的选择，得到该建筑物适用的化简算法，采用该化简算法对建筑物进行化简，得到最终建筑物化简结果。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。