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多粒度上下文建模的遥感图像语义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：CN119919660B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202411981628.4，技术领域涉及：G06V10/26；该发明授权一种基于多粒度上下文建模的遥感图像语义分割方法是由张科;黄鹏飞;王靖宇;苏雨;王红梅;呼卫军设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于多粒度上下文建模的遥感图像语义分割方法在说明书摘要公布了：本申请涉及图像处理技术领域，特别涉及一种基于多粒度上下文建模的遥感图像语义分割方法，包括：获取样本数据，将样本数据划分为训练集、验证集和测试集；构建基于多粒度上下文建模的遥感图像语义分割模型，模型由ResNet‑34骨干特征提取网络、基于线性自注意力机制的长距离依赖关系挖掘模块、基于多尺度非对称卷积的局部上下文感知模块、多层级特征级联聚合模块和卷积分类器组成；基于训练集对所述模型进行迭代训练至收敛，并在验证集上进行参数调优，确认参数并固定后，得到最优的模型；将测试集输入至最优的模型中，获得对目标遥感图像的语义分割结果。该方法提升了遥感图像语义分割模型对遥感图像的感知能力，进而大幅提升了语义分割的精度。

本发明授权一种基于多粒度上下文建模的遥感图像语义分割方法在权利要求书中公布了：1.一种基于多粒度上下文建模的遥感图像语义分割方法，其特征在于，包括： 获取标注有真实语义标签的样本数据，将所有样本数据按照预设比例划分为训练样本数据集、验证样本数据集和测试样本数据集； 构建基于多粒度上下文建模的遥感图像语义分割模型，所述遥感图像语义分割模型由ResNet-34骨干特征提取网络、基于线性自注意力机制的长距离依赖关系挖掘模块、基于多尺度非对称卷积的局部上下文感知模块、多层级特征级联聚合模块、以及卷积分类器组成；ResNet-34骨干特征提取网络用于进行不同尺度的特征提取；基于线性自注意力机制的长距离依赖关系挖掘模块用于执行空间域自注意力计算和通道域自注意力计算，实现长距离依赖关系挖掘；基于多尺度非对称卷积的局部上下文感知模块用于利用最大池化与平均池化策略，联合引导的门控机制，提取局部上下文特征并实现特征选择；多层级特征级联聚合模块用于对不同尺度的局部上下文特征进行级联聚合以实现信息融合，得到最终融合特征；卷积分类器用于基于最终融合特征输出语义分割结果； 将训练样本数据集中的样本数据输入至所述遥感图像语义分割模型中，对所述遥感图像语义分割模型进行迭代训练至收敛，并基于验证样本数据集对训练完成的遥感图像语义分割模型进行调优，得到最优的遥感图像语义分割模型； 将测试目标样本数据集输入至最优的遥感图像语义分割模型中，获得最优的遥感图像语义分割模型输出的语义分割结果； 在将所有样本数据按照预设比例划分为训练样本数据集、验证样本数据集和测试样本数据集时，需要通过随机旋转、随机尺度变换、以及随机尺度裁剪，对样本数据进行预处理，得到尺寸大小为512×512×3的样本数据，再按照预设比例划分为训练样本数据集、验证样本数据集和测试样本数据集，其中，三套数据集在样本空间上不存在任何交集； 在将训练样本数据集中的样本数据输入至所述遥感图像语义分割模型中，对所述遥感图像语义分割模型进行迭代训练时，需要将训练样本数据集中的样本数据输入至ResNet-34骨干特征提取网络中，ResNet-34骨干特征提取网络对输入的样本数据进行不同尺度的特征提取，分别得到尺寸大小为128×128×64、64×64×128、32×32×256和16×16×512的特征图，依次记为、、和 长距离依赖关系挖掘模块执行空间域自注意力计算和通道域自注意力计算，实现长距离依赖关系挖掘，包括： 在空间域方面，长距离依赖关系挖掘模块利用基于伯努利不等式推广的线性自注意力机制，对不同尺度的特征图执行空间域自注意力计算，得到不同尺度的空间域特征图； 在通道域方面，长距离依赖关系挖掘模块利用经典自注意力机制，对不同尺度的特征图执行通道域自注意力计算，得到不同尺度的通道域特征图； 将不同尺度的空间域特征图与不同尺度的通道域特征图进行融合，得到不同尺度的长距离融合特征图，依次记为、、和； 利用基于伯努利不等式推广的线性自注意力机制，对不同尺度的特征图执行空间域自注意力计算，得到不同尺度的空间域特征图，通过公式表示为： ； ； 其中，表示特征图沿空间维度展平后每一个通道上的像元的个数，、、分别表示查询矩阵、键矩阵、值矩阵，表示第个尺度的空间域特征图中每一个样本行向量的计算结果； 利用经典自注意力机制，对不同尺度的特征图执行通道域自注意力计算，得到不同尺度的通道域特征图，通过公式表示为： ； 其中，表示特征图沿通道维度展平后每一个空间上的像元的个数，表示第个尺度的通道域特征图中每一个样本行向量的计算结果； 将不同尺度的空间域特征图与不同尺度的通道域特征图进行融合，得到不同尺度的长距离融合特征图，通过公式表示为： ； 其中，表示第个尺度的空间域特征图与第个尺度的特征图残差连接之后的结果，表示第个尺度的通道域特征图与第个尺度的特征图残差连接之后的结果。

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，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。