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！

龙图腾网获悉西北工业大学申请的专利一种基于半监督CNN-Transformer混合模型的多源地物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：CN119540778B 。

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：202411957098.X，技术领域涉及：G06V20/10；该发明授权一种基于半监督CNN-Transformer混合模型的多源地物分类方法是由张艳宁;李晴旖;邢颖慧;张秀伟;张世周;孔德璇设计研发完成，并于2024-12-29向国家知识产权局提交的专利申请。

本一种基于半监督CNN-Transformer混合模型的多源地物分类方法在说明书摘要公布了：本发明提供了一种基于半监督CNN‑Transformer混合模型的多源地物分类方法，提出了一种基于transformer和卷积的半监督地物分类模型，充分利用两种骨干网络的优势，生成具有高置信度的伪标签，辅助网络进行训练，据此提出的新模型在总体准确度、平均准确度和Kappa系数上都取得了较好的实验结果，在模块中设计了多层特征融合策略，将浅层与深层特征拼接后进行融合，利用门控网络实现了不同模态特征之间的充分融合，剔除掉相似度较高的模态冗余信息，提升了模型对模态特定信息的利用效率，对模型性能的提升做出了明显的贡献。

本发明授权一种基于半监督CNN-Transformer混合模型的多源地物分类方法在权利要求书中公布了：1.一种基于半监督CNN-Transformer混合模型的多源地物分类方法，其特征在于包括下述步骤： 步骤1：数据集准备； 对成对、配准的大幅高光谱图像和激光雷达图像，按照其标签以每类固定数量S随机划分互斥的训练集和测试集；先分别对训练集和测试集进行归一化处理；再将归一化处理后的训练集与测试集图像块作为模型的输入； 步骤2：构建半监督混合网络模型； 半监督CNN-Transformer混合模型包括多源特征提取模块、多源特征融合模块、全局-局部特征提取模块以及伪标签生成模块；每一轮训练中，数据依次输入多源特征提取模块、多源特征融合模块、全局-局部特征提取模块和伪标签生成模块，然后生成的伪标签再在下一轮次训练中被送到多源特征提取模块以及其他三个模块； 多源特征提取模块包括卷积层与多层特征融合操作，用于提取多层次的不同模态特征；多源特征融合模块是一个门控网络，用于筛选来自不同模态的互补特征，所述多源特征融合模块由门控网络、通道维度拼接操作、矩阵相加操作及矩阵相乘操作组成；全局-局部特征提取模块包括CNN与Transformer两个分支，CNN分支利用卷积网络的局部感受野提取局部信息，Transformer分支使用ViT作为主干网络，利用多头自注意力机制提取全局信息；伪标签生成模块将来自CNN与Transformer两个分支的信息进行整合，使用投票策略筛选预测概率高于阈值的预测结果用来生成伪标签；将生成的伪标签加入下一轮次的训练数据参与网络训练； 所述多源特征提取模块中，两个模态的特征提取器网络层数均设置为4层，每一层包含一个3×3卷积层、一个批量归一化BN层与一个ReLU激活函数层，卷积层、BN层、ReLU激活函数层为顺序级联的结构，多层特征融合操作连接了第一层的输出与第三层的输出，并作为第四层的输入，高光谱图像特征提取分支的每层通道数设置为[128,64,32,32]，四个数值代表高光谱图像分支每层网络输出的特征图的通道数，依次对应第一层网络到第四层网络，激光雷达图像特征提取分支的每层通道数被设置为[8,16,32,32]，四个数值分别代表激光雷达图像分支每层网络输出的特征图的通道数，依次对应第一层网络到第四层网络； 步骤3：构建损失函数； 步骤4：采用损失函数使用训练集对半监督CNN-Transformer混合模型进行训练，每轮训练中自适应地产生伪标签，并加入到下一轮的训练样本中，达到指定的训练轮次N后，得到训练后的网络模型，然后使用测试集测试半监督CNN-Transformer混合模型的有效性。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。