Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 武汉大学王俊珏获国家专利权

武汉大学王俊珏获国家专利权

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基于层次化密集架构搜索的遥感灾害场景制图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:CN115512246B

龙图腾网通过国家知识产权局官网在2026-01-06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:202211163029.2,技术领域涉及:G06V20/17;该发明授权一种基于层次化密集架构搜索的遥感灾害场景制图方法是由王俊珏;钟燕飞;马爱龙;郑卓;张良培设计研发完成,并于2022-09-23向国家知识产权局提交的专利申请。

一种基于层次化密集架构搜索的遥感灾害场景制图方法在说明书摘要公布了:本发明涉及一种基于层次化密集架构搜索的遥感灾害场景制图方法,用于复杂多灾害场景的地表覆盖制图与损毁评估,辅助灾害应急相应与决策。设计高效层次化密集架构搜索框架,搜索阶段结合现有各类深度编码器,自适应优化多尺度密集解码器架构参数,以满足当前场景各类受灾地物特征高效融合,通过广度优先解码最优解码架构;训练阶段通过迁移深度编码器模型参数,联合搜索得到的解码结构,实现高效模型训练。本发明能够解决复杂灾害场景网络架构设计难度高,时间成本昂贵等问题,无须人工设计深度解译架构,面对各类灾害或其他复杂场景均能实现数据到解译结果的高效全自动化。

本发明授权一种基于层次化密集架构搜索的遥感灾害场景制图方法在权利要求书中公布了:1.一种基于层次化密集架构搜索的遥感灾害场景制图方法,其特征在于,包括以下步骤: 步骤1,构建灾害场景地表覆盖分类影像样本库,收集灾害受击后的高分辨率遥感影像,按比例划分训练集、验证集与测试集,并对所有影像数据进行归一化,对训练集进行数据增强; 步骤2,构建层次化密集搜索空间用于解码架构搜索,层次化密集搜索空间包含密集连接的层级搜索空间与多尺度算子集搜索空间;通过结合现有优秀的深度编码模型,在训练集上实现解码架构可微分搜索,并利用多尺度融模块对解码架构输出的多尺度特征进行融合,获取最终制图概率输出; 步骤2的具体实现包括如下子步骤: 步骤2.1,设计密集连接的层级搜索空间,该层级搜索空间用于寻找解码架构中最优的特征空间分辨率转移路径;现有深度学习编码器均具有四种尺度的特征输出,分别为:,其空间分辨率分别为原始图像的,所述密集连接的层级搜索空间涵盖各种尺度特征交互的所有路径,针对该空间第一层连接,表示为:,其中为架构参数,表示前层输出的权重或者连接强度,代表多尺度算子融合策略,每一层有四个不同尺度的节点;针对第二层或更多后续层l,则其中节点连接表达公式如下: 其中,代表当前层在搜索空间中深度,基于softmax函数归一化,, 代表前层节点的特征输出,i代表前层输出编号; 步骤2.2,设计多尺度算子集搜索空间,该多尺度算子集搜索空间中特征空间分辨率保持不变,用于搜索微观层次,即节点中多尺度算子的最优融合策略,每一个节点的算子选择与融合策略都是相互独立的,从可选算子集合中选择:全局平均池化、3×3可分离卷积、5×5可分离卷积、7×7可分离卷积; 步骤2.3,设计多尺度融合模块,对解码架构的多尺度输出进行融合处理;解码架构的输出也分为四个尺度,分别为原始图像的,针对四个尺度的输出,分别用不同数量的上采样模块进行尺度变换,包含3×3卷积、归一化层、ReLU激活函数以及一个可选的×2双线性上采样函数;因此分别由1个、1个、2个、3个处理,将尺度统一为原始图像的;然后将处理后的同尺度特征进行相加融合,最终利用×4双线性上采样函数恢复为原始图像分辨率大小,然后利用1×1卷积将通道降维至类别数,通过SoftMax实现分割图概率输出; 步骤2.4,在密集连接的层级搜索空间中,所有的权重与网络架构参数与均可微分,能够利用梯度下降算法实现端到端优化; 步骤3,基于编码器权重迁移的模型训练,通过步骤2中搜索到的解码器架构参数,利用广度优先算法解码最优解码架构,结合编码器模型权重,在特定灾害任务上实现模型重训练; 步骤3的具体实现包括如下子步骤, 步骤3.1,根据搜索到的架构参数,首先利用广度优先算法,基于所代表的连接强度,保留每个节点输入中强度最大的个连接,从而找到最优的特征空间分辨率转移路径;基于所代表的算子的重要程度,保留每个节点内部最重要的个算子用于特征融合; 步骤3.2,利用搜索到的解码架构,结合搜索过程中的编码器,迁移其搜索过程中得到的网络权重用于初始化,在训练集上进行重训练;损失函数为:,其中y为训练真实标签,为网络预测输出概率; 步骤4,基于训练后的编码-解码模型,对未标记大范围灾害场景进行地表覆盖制图与损毁评估,预测分类概率获取制图结果。

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武汉大学,其通讯地址为:430072 湖北省武汉市武昌区珞珈山街道八一路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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。