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;西北工业大学深圳研究院申请的专利联合特征解耦精炼与混淆最小化约束的遥感有向目标识别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：CN119723370B 。

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：202411910806.4，技术领域涉及：G06V20/13；该发明授权联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法是由程塨;谢星星;李文博;李京;郎春博;姚艳清;张鹏;韩军伟设计研发完成，并于2024-12-24向国家知识产权局提交的专利申请。

本联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法在说明书摘要公布了：本发明提供了一种联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法。构建了联合特征解耦精炼与混淆最小化约束的遥感有向目标识别网络，包括基础骨干网络、有向区域建议框生成网络、回归分支、粗分类分支、精细识别分支、混淆最小化损失、交互验证策略，其中，采用精细识别分支可以对目标特征进行解耦和重编码，能够提取目标的判别性表征，实现更加精准的目标识别；采用混淆最小化损失训练精细识别分支，能够进一步提升精细识别分支特征表征能力；采用交互验证策略，能够增强遥感有向目标识别推理的鲁棒性。本发明能够解决现有遥感有向目标识别方法在特征表征能力存在局限的问题，实现对遥感图像有向目标的精细准确识别。

本发明授权联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法在权利要求书中公布了：1.一种联合特征解耦精炼与混淆最小化约束的遥感有向目标识别方法，其特征在于步骤如下： 步骤1：构建遥感图像数据集； 步骤2：构建联合特征解耦精炼与混淆最小化约束的遥感有向目标识别网络，包括基础骨干网络、有向区域建议框生成网络、回归分支、粗分类分支、精细识别分支、混淆最小化损失、交互验证策略； 所述的骨干网络用于提取输入图像的特征，采用带有特征金字塔结构的ResNet50残差网络； 所述的有向区域建议框生成网络用于产生目标的有向候选框，采用以RPN网络为基础的全卷积网络，以骨干网络得到图像特征为输入，得到目标的有向候选框之后通过有向区域建议对齐操作，输出与目标对应的特征； 所述的回归分支用于有向候选框的位置回归，包含3个全连接层，以有向区域建议对齐操作到的目标特征为输入，输出目标的位置信息； 所述的粗分类分支用于对目标进行粗粒度层面的分类，包含3个全连接层，与回归分支共享前两个全连接层，粗分类分支以有向区域建议对齐操作到的目标特征为输入，输出目标在K个粗类别上的分类得分，其中，K的值由数据集确定； 所述的精细识别分支实现对目标的精细分类，由若干个卷积层和全连接层构成，与粗分类分支和回归分支并行工作，输出目标在子类上的分类得分； 所述的混淆最小化损失用于训练精细识别分支，混淆最小化损失的计算式如下： 其中，Lcm表示混淆最小化损失值，N表示一个小批次中的总样本数，Npos和Nneg分别表示正样本和负样本的数量，Ci表示第i个正样本在Q+1个子类上的置信度分布，为其对应的真实标签，是一个二值向量；Cj表示第j个负样本的预测置信度，0表示负样本的真实标签；BCE·表示计算交叉熵损失；wi表示第i个正样本的权重因子；Q为数据集包含的子类总数，Q的值由数据集确定； 所述权重因子按下式计算： 其中，w表示样本的权重因子，λ1和λ2是两个超参数，取值为0.5和0.1；s表示样本可分性，按下式确定： 其中，C表示样本在Q+1个子类上的得分集合，removeC,α表示从得分集合中移除α后的剩余得分集合，α表示样本在真实子类上的置信度； 所述的交互验证策略将粗分类分支和精细识别分支输出的结果进行交互验证； 步骤3：利用步骤1的图像数据集对步骤2所述遥感有向目标识别网络进行训练； 步骤4：将待处理的遥感图像输入到训练好的网络模型，其中回归分支输出目标的位置信息，粗分类分支与精细识别分支经过交互验证后输出的类别置信即为该图像有向目标识别结果。

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西北工业大学;西北工业大学深圳研究院，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。