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！

龙图腾网获悉中国自然资源航空物探遥感中心申请的专利一种基于深度学习的地形图无标注区域分割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：CN120807928B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202510934498.7，技术领域涉及：G06V10/26；该发明授权一种基于深度学习的地形图无标注区域分割方法是由李一啸;宋艳茹;付长亮;孟月玥;陈华;秦翔;姜晓琼设计研发完成，并于2025-07-08向国家知识产权局提交的专利申请。

本一种基于深度学习的地形图无标注区域分割方法在说明书摘要公布了：本发明提供了一种基于深度学习的地形图无标注区域分割方法，包括收集并分割地形图栅格，得到多源张量地形图；设计主干网络，输出多源张量地形图的特征表示；构建地理语义库，增加地形图的地理语义理解，生成语义权重；设计主干分割网络，进行初始分割预测；量化主干分割网络的预测不确定性，通过多轮迭代的方式，输出初始分割结果；对初始分割结果进行像素连通域检测、地形约束和空间一致性提升，得到连贯分割结果；再将连贯分割结果可视化为热图和空间可解释性图层。本发明能够处理复杂地貌与空间异构情况，使地形图无标注区域分割更加精准、智能和高效，还原无标注区域真实地貌，显著优化边界与空间分布，促进地理信息系统的智能化升级。

本发明授权一种基于深度学习的地形图无标注区域分割方法在权利要求书中公布了：1.一种基于深度学习的地形图无标注区域分割方法，其特征在于，包括： 收集地形图栅格，并获取所述地形图栅格对应DEM、遥感影像和OpenStreetMap矢量数据，再对所述地形图栅格进行多通道划分和区域分割，得到多源张量地形图； 选择并设计主干编码器，得到主干网络，针对主干网络进行自监督任务设计和位置编码设计，以输出所述多源张量地形图的特征表示；包括： 基于所述多源张量地形图，选择Swin-Transformer-Lite作为主干编码器，在所述主干编码器中设计地形突变响应层，并在所述主干编码器每个窗口自注意力前叠加高程二阶导统计量，以辅助窗口关注地貌变化明显区域，再设计窗口滑动策略，以对齐DEM与主图等高线边缘，完成主干编码器设计和地理适应，得到初始主干网络； 针对所述多源张量地形图，结合patch遮蔽设计融合分层掩码策略，进行地理敏感掩码，并引入BYOL无监督学习进行无标签对比训练和多视图多源融合，完成所述初始主干网络的自监督任务设计，得到第一主干网络；所述融合分层掩码策略包括40%patch遮蔽和60%全图随机patch，40%patch遮蔽中20%为地貌突变带、20%为等高线密集带； 基于二维位置编码，在每个patch上融合标准化DEM信息与高阶地形属性，以生成地形感知型位置编码，并在所述第一主干网络的编码层引入高程门控注意力，以自适应调节平原和高差区块的特征提取权重，完成位置编码的设计，得到输出特征表示的第二主干网络； 根据构建的地理语义短句数据库，对所述多源张量地形图进行语义映射，得到地貌语义描述，并生成语义权重； 基于主干网络，设计分割网络架构和损失函数，得到主干分割网络，利用所述主干分割网络，输出所述地形图栅格的空间分割概率和边界显式mask，完成地形初始分割预测； 根据所述空间分割概率和边界显式mask，量化所述主干分割网络的预测不确定性，得到不确定结果，以进行所述主干分割网络的多轮自迭代回流训练，得到区域分割模型和所述区域分割模型输出的初始分割结果； 针对所述初始分割结果进行像素连通域检测、地形约束和空间一致性提升，得到连贯分割结果； 将所述连贯分割结果可视化为软概率热图、Monte-CarloDropout不确定性热图、Attention-Rollout关注区域热图，并针对所述主干分割网络的末端卷积或Transformer特征，选择目标类别，生成Grad-CAM空间可解释性图层。

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中国自然资源航空物探遥感中心，其通讯地址为：100000 北京市海淀区学院路29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。