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！

龙图腾网获悉辽宁师范大学申请的专利基于全尺度门控消息传播框架的遥感影像变化检测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：CN116310797B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202310103145.3，技术领域涉及：G06V20/10；该发明授权基于全尺度门控消息传播框架的遥感影像变化检测方法是由王相海;赵晓阳;赵克云;宋传鸣设计研发完成，并于2023-02-13向国家知识产权局提交的专利申请。

本基于全尺度门控消息传播框架的遥感影像变化检测方法在说明书摘要公布了：本发明公开一种基于全尺度门控消息传播框架的遥感影像变化检测方法，由以下四部分组成：1以权重共享的孪生网络结构作为编码器，提取多尺度特征；2采用协同估计模块为跨时相的同级特征图生成一组共用的紧凑基，再在这组基的基础上推理出各时相的关键嵌入表达，作为门控的开关；3将全尺度门控机制作为双时相影像间的消息传递模式，不同于先前只考虑同级特征图间的建模方式，使信息同时在全尺度的同时相内与跨时相间两种路径上传递；4以一种新的逐步连接至稠密的融合模块作为解码器，使浅层像素信息与深层语义信息调和至同一特征图中，最后结合相关的恢复空间尺寸的操作，预测变化图，可提升对小目标与变化对象边缘的检测精度。

本发明授权基于全尺度门控消息传播框架的遥感影像变化检测方法在权利要求书中公布了：1.一种基于全尺度门控消息传播框架的遥感影像变化检测方法，其特征在于依次按照如下步骤进行： 步骤1.分别对测试集的T1时相高分辨率遥感影像与T2时相高分辨率遥感影像进行预处理，得到T1时相高分辨率遥感影像测试集及T2时相高分辨率遥感影像测试集： 步骤1.1将测试集的T1时相高分辨率遥感影像数据块记为，测试集的T2时相高分辨率遥感影像数据块记为，其中M为每类数据块个数； 步骤1.2利用公式1将高分辨率遥感影像数据块和进行标准化处理，得到，； 1 步骤1.3将数据块作为T1时相高分辨率遥感影像测试集列表，即T1时相高分辨率遥感影像测试集；将数据块作为T2时相高分辨率遥感影像测试集列表，即T2时相高分辨率遥感影像测试集； 步骤2.分别提取T1时相高分辨率遥感影像检测集与T2时相高分辨率遥感影像检测集中的第个子块，以形式输入到训练完毕的网络结构中，求得最终的检测结果； 所述训练完毕的网络结构是依次按照如下步骤构建而成： 步骤2.1分别对训练集中T1时相高分辨率遥感影像、T2时相高分辨率遥感影像及对应的标签图进行预处理，得到T1时相高分辨率遥感影像训练集、T2时相高分辨率遥感影像训练集及标签训练集： 步骤2.1.1将训练集的T1时相高分辨率遥感影像数据块记为，训练集的T2时相高分辨率遥感影像数据块为，训练集的标签数据块为，其中M为每类数据块个数； 步骤2.1.2利用公式2将数据块，和进行标准化处理，得到，，； 2 步骤2.1.3分别将高分辨率遥感影像数据块，和标签数据块中每个像元点进行上下翻转，得到上下翻转的高分辨率遥感影像数据块，和上下翻转的标签数据块； 步骤2.1.4分别将高分辨率遥感影像数据块，和标签数据块中每个像元点进行左右翻转，得到左右翻转的高分辨率遥感影像数据块，和左右翻转的标签数据块； 步骤2.1.5分别将高分辨率遥感影像数据块，和标签数据块顺时针旋转a次90度，a=1,2,3，得到旋转的高分辨率遥感影像数据块，和旋转的标签数据块； 步骤2.1.6将数据块联合数据块，和构成新的T1时相高分辨率遥感影像训练集列表，即T1时相高分辨率遥感影像训练集；将数据块联合数据块，和构成新的T2时相高分辨率遥感影像训练集列表，即T1时相高分辨率遥感影像训练集;联合标签数据块,和构成新的标签训练集列表，即标签训练集； 步骤2.2设置网络迭代总次数； 步骤2.3令； 步骤2.4将训练集样本以的形式输入到网络中，以二元交叉熵作为损失函数，用Adam进行优化： 步骤2.4.1利用封装好的预训练Resnet18网络作为编码器，分别对高分辨率遥感影像样本，提取多尺度特征，记提取到的T1时相多尺度特征分别为提取到的T2时相多尺度特征分别为，； 步骤2.4.2把不同时相的同级特征图与成对地输入进协同估计模块中，并为它们生成关键嵌入表达与，以此作为门控的开关： 步骤2.4.2.1利用具有卷积和激活操作的变换层对与分别进行降维，降维后的与具有64个通道； 步骤2.4.2.2为与生成一组紧凑基，，作为通道描述符，并根据公式3计算与之对应的空间描述符，； 3 步骤2.4.2.3按照公式4更新，； 4 步骤2.4.2.4将拼接后的，输入至线性层，以提取其中的共有特征； 步骤2.4.2.5按照公式5分别为每特征图融合通道描述符与空间描述符，作为其关键嵌入表达； 5 步骤2.4.3将与作为全尺度门控机制的输入，按照公式6控制每特征图的消息发送情况，所述； 6 步骤2.4.4将输入至稠密融合模块对其进行解码，解码后的特征图记为： 步骤2.4.4.1拼接，记拼接后的特征为； 步骤2.4.4.2按公式7获取； 7 式中，为映射层，它具有卷积、批量归一化和激活操作，为映射层的输出，为拼接层，为拼接层的输出； 步骤2.4.5将上一步输出的输入至具有卷积、批量归一化和激活操作的映射层，记该层的输出为； 步骤2.4.6将上一步输出的输入至具有双线性插值、批量归一化、双线性插值和激活操作的缩放层，记该层的输出为； 步骤2.4.7将上一步输出的输入至具有卷积操作的分类层，记该层的输出为； 步骤2.4.8按照公式8所示的二元交叉熵损失函数计算与间的差异； 8 此处为中的像元数，是预测变化图中位置处的坐标值，是同位置上真值图的值； 步骤2.4.9判断训练集中的所有子块是否处理完毕，是，转入步骤2.4.10，否，返回步骤2.4.1； 步骤2.4.10若，则得到已训练好的网络参数，否则，利用Adam继续优化网络参数，转入步骤2.4.1。

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辽宁师范大学，其通讯地址为：116000 辽宁省大连市沙河口区黄河路850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。