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！

龙图腾网获悉武汉大学申请的专利一种空间约束下的全监督农田地块提取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：CN115311575B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202210804637.0，技术领域涉及：G06V20/13；该发明授权一种空间约束下的全监督农田地块提取方法是由张洪艳;曾薪鑫设计研发完成，并于2022-07-08向国家知识产权局提交的专利申请。

本一种空间约束下的全监督农田地块提取方法在说明书摘要公布了：本发明提供一种空间约束下全监督农田地块提取方法。通过构建基于双任务的网络框架，利用语义分支网络捕获不同空间尺度的农田地块特征及其全局上下文信息，降低地块分割不完整现象；使用边缘分支网络则用于增强网络模型对各类农田地块边缘部分的信息捕获，以降低地块之间的黏连现象；两分支之间采用深度引导自适应融合策略进行信息互补，整个网络在交叉熵损失函数基础上增加边缘损失函数进行空间约束。同地区测试与迁移测试实验表明，本发明能够在充分挖掘多尺度特征的同时保留高分辨率细节信息、增强网络的类别判断能力，有效缓解了在多类型、面积形状差异大、分布密集的农田场景中易出现的农田地块提取不完整、相邻地块黏连等问题。

本发明授权一种空间约束下的全监督农田地块提取方法在权利要求书中公布了：1.一种空间约束下的全监督农田地块提取方法，其特征在于，包括以下步骤： 步骤1，构建深度学习网络模型，具体包含以下6个子步骤： 步骤1-1，对输入图像进行降采样； 步骤1-2，提取降采样图像的多尺度特征； 步骤1-3，对多尺度特征进行增强，获得增强后的多尺度特征图； 步骤1-3中通过构建全局上下文信息增强模块实现对多尺度特征的增强，所述全局上下文信息增强模块是通过自注意力机制建立图像中每一个像素的长距离依赖，用以增强地块内部的一致性，缓解大农田地块提取不连续、小农田地块漏提取的问题；另外，除去多尺度特征提取模块中的第一个分支之外，其他分支后均增加一个全局上下文信息增强模块，两者共同构成语义分支网络； 将输入特征图记为其中HI、WI、CI分别为输入数据的长、宽、通道数，N为输入数据数量，输出特征图为则全局上下文信息增强模块的过程表示为： 其中，I′表示I转置后的特征图，其大小为N*HIWI；⊙为点积操作； 输入图像经过步骤1-1至步骤1-3，得到了多个特征图，将这些特征图进行通道级联便构成了语义分支网络的输出特征图，记为Fs； 步骤1-4，获取边缘语义增强信息特征图； 步骤1-4中通过构建边缘分支网络获取边缘语义增强信息特征图，该分支网络的核心模块为边缘注意力模块，并通过保持高分辨率来获取丰富的边缘细节信息；边缘注意力模块的输入数据共有两部分，分别记为Is、Is+1，s表示多尺度特征提取模块中的阶段；边缘注意力模块有以下两个过程：1计算边缘信息的空间注意力特征图，记为Ao；2获取边缘语义增强信息特征图，记为Fo，分别表示为： Fo＝Ao⊙Is+Is7 其中，Upsample表示上采样操作，Concate表示通道级联，⊙为点积操作； 边缘注意力模块后接一个无下采样的卷积操作B，将多个边缘注意力模块+无下采样的卷积操作B依次连接构建边缘分支网络；其中，除第一次执行边缘注意力模块时Is源于第s阶段的多尺度特征结构输出，后续的Is均来自于边缘分支网络，而Is+1均来自第s+1阶段的多尺度特征结构输出；由多个边缘注意力模块与卷积操作B构建起来的边缘分支网络最后所得的输出特征图，记为Fe； 步骤1-5，对增强后的多尺度特征图和边缘语义增强信息特征图进行自适应融合； 步骤1-6，设计损失函数； 步骤2，训练深度学习网络模型并保存，在训练过程中验证精度最优的参数组，使用最优的参数组对不同于训练数据的区域进行测试，实现农田地块提取。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。