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！

龙图腾网获悉北京理工大学申请的专利一种基于伪标签不确定性感知的遥感图像跨域小样本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：CN117152503B 。

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：202311067475.8，技术领域涉及：G06V10/764；该发明授权一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法是由陈禾;李灿;庄胤;张桐;倪润峰;周天行;张志成;陈亮设计研发完成，并于2023-08-23向国家知识产权局提交的专利申请。

本一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法在说明书摘要公布了：本发明公开了一种基于伪标签不确定感知的遥感图像跨域小样本分类方法，包括：获取源域遥感图像数据以及目标域遥感图像数据；利用源域遥感图像数据对深度学习骨干网络模型进行预训练，以获得深度学习骨干网络模型的预训练初始化参数；构建用于半监督跨域训练的教师‑学生网络模型；将源域遥感图像数据和目标域遥感图像数据输入教师‑学生网络模型进行训练，以获得训练后的深度学习骨干网络模型；将待测试遥感图像数据输入训练后的深度学习骨干网络模型，以获得待测试遥感图像数据的分类结果。本发明能够克服现有技术中高不确定性伪标签损害模型跨域学习的缺陷，提高深度学习方法对遥感图像跨域小样本分类的性能。

本发明授权一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法在权利要求书中公布了：1.一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法，其特征在于，包括以下步骤： S101：获取源域遥感图像数据以及目标域遥感图像数据； 其中，所述源域遥感图像数据携带第一数目的标签，所述目标域遥感图像数据不携带标签；所述标签指示所述遥感图像数据的类别信息； S102：利用所述源域遥感图像数据对深度学习骨干网络模型进行预训练，以获得所述深度学习骨干网络模型的预训练初始化参数； S103：构建用于半监督跨域训练的教师-学生网络模型； 其中，所述教师-学生网络模型包括教师模型和学生模型，所述教师模型包括所述深度学习骨干网络模型和教师映射器，所述学生模型包括所述深度学习骨干网络模型和学生映射器，所述深度学习骨干网络模型加载所述预训练初始化参数； S104：将所述源域遥感图像数据和所述目标域遥感图像数据输入所述教师-学生网络模型进行训练，以获得训练后的深度学习骨干网络模型； 将所述源域遥感图像数据和所述目标域遥感图像数据输入所述教师-学生网络模型进行训练，以获得训练后的深度学习骨干网络模型包括： S104.1：将所述源域遥感图像数据输入所述学生模型进行源域有监督学习，以使所述学生模型同步学习源域知识； 其中所述源域知识至少包括源域遥感图像的中低层通用特征信息； S104.2：对所述目标域遥感图像数据进行弱增强处理和强增强处理，以分别获得弱增强数据和强增强数据； S104.3：将所述弱增强数据输入教师模型，经过教师模型处理，以获得教师预测概率和教师映射结果； S104.4：将所述强增强数据输入学生模型，经过学生模型处理，以获得学生预测概率和学生映射结果； S104.5：对所述教师预测概率进行锐化处理，以获得伪标签； S104.6：对所述伪标签和所述学生预测概率进行一致性正则化处理； S104.7：构建不确定性感知的目标域难例样本挖掘策略，以对难例样本进行难例挖掘； 其中，所述难例样本为难以区分类别的遥感图像数据； S104.8：将所述教师映射结果经过教师外部特征映射处理，以获得教师外部映射结果；将所述学生映射结果经过学生外部特征映射，以获得学生外部映射结果； S104.9：将所述教师映射结果与所述学生外部映射结果进行对比学习处理，将所述教师外部映射结果与所述学生映射结果对比学习处理； S104.10：基于所述源域有监督学习、所述一致性正则化处理、所述对比学习处理和所述难例样本挖掘策略，对所述预训练初始化参数进行更新，以获得训练后的深度学习骨干网络模型； S105：将待测试遥感图像数据输入所述训练后的深度学习骨干网络模型，以获得所述待测试遥感图像数据的分类结果，所述分类结果指示所述待测试遥感图像的类别； 其中，所述待测试遥感图像数据携带第二数目的标签，所述第二数目小于所述第一数目。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。