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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利一种用于高光谱图像与激光雷达数据的联合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：CN121305244B 。

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：202511852636.3，技术领域涉及：G06V10/764；该发明授权一种用于高光谱图像与激光雷达数据的联合分类方法是由赵桂新;王家骞设计研发完成，并于2025-12-10向国家知识产权局提交的专利申请。

本一种用于高光谱图像与激光雷达数据的联合分类方法在说明书摘要公布了：本发明涉及深度学习技术领域，尤其是提供了一种用于高光谱图像与激光雷达数据的联合分类方法。该方法先通过解耦三分支编码器提取多模态数据的多尺度特征，再经自主设计的特征融合模块，对同一尺度的三种初始特征进行注意力引导跨模态融合，得到三个不同尺度的多模态融合特征；将最深层次融合特征输入至权重共享解码器，通过重建任务获取伪数据；由结构一致性感知判别器鉴别真实数据与伪数据并返回判别损失，以此更新编码器参数，迭代至最优。最后将基于最优参数得到的三个尺度的融合特征输入多层次特征融合分类器完成分类，该方法有效提升了分类精度，实现多模态特征自适应融合与增强。

本发明授权一种用于高光谱图像与激光雷达数据的联合分类方法在权利要求书中公布了：1.一种用于高光谱图像与激光雷达数据的联合分类方法，其特征在于，所述方法包括： 步骤1、通过解耦三分支编码器对高光谱图像HSI与激光雷达LiDAR的原始图像数据进行多尺度特征提取，获得不同尺度上的三种初始特征； 步骤2、利用特征融合模块对同一尺度上的三种初始特征进行注意力引导的跨模态融合，得到多模态融合特征； 步骤3、将多模态融合特征中最深层次的特征输入至权重共享解码器，执行数据重建任务，获得重建后的伪数据； 步骤4、将原始图像真实数据和重建后的伪数据输入结构一致性感知判别器进行鉴别，区分真实数据和伪数据，并返回判别损失； 步骤5、将判别损失返回给解耦三分支编码器，进行参数更新，重复多次以获得最优参数； 步骤6、将基于最优参数获得的三个不同尺度的多模态融合特征输入多层次特征融合分类器，执行最终的分类任务； 通过解耦引导融合生成器中的解耦三分支编码器进行多尺度特征提取，解耦三分支编码器采用三个分支并行的编码架构，以从高光谱图像和激光雷达的原始图像数据中提取不同尺度上的三种初始特征，三种初始特征分别为光谱特征、空间特征、高程特征；三个分支分别为光谱特征提取分支、空间特征提取分支和高程特征提取分支；每个分支均采用层次化残差学习框架，以进行多尺度特征提取； 所述步骤2包括： 利用解耦引导融合生成器中的特征融合模块对同一尺度上的三种初始特征进行注意力引导的跨模态融合获得多模态融合特征，即；特征融合模块采用层级化注意力融合机制，以进行多模态特征的自适应融合，在每个特征层级，特征融合模块执行以下处理流程： d、光谱-空间特征融合； d1、特征拼接：将同层级的光谱特征与空间特征在通道维度拼接，形成联合特征，其中，表示光谱通道数，表示图像的空间高度，表示图像的空间宽度； d2、特征投影：通过1×1卷积层、批归一化和线性整流单元进行降维融合： ； 其中，表示ReLU激活函数，BN表示批归一化，表示卷积核参数； d3、通道注意力加权：对特征应用通道注意力机制的计算每个通道权重，识别并突出重要通道的信息，生成通道注意力权重图； ； 其中，表示逐通道相乘，表示Sigmoid激活函数，MLP由两层全连接层构成； e、LiDAR引导的跨模态增强； e1、双路特征提取：对高程信息特征通过平均池化和最大池化提取高程特征的多尺度统计特性和： e2、空间注意力生成：首先将平均池化和最大池化的结果拼接，整合多尺度统计信息；对拼接后的特征进行卷积操作，再通过映射函数将其转换为空间注意力权重图： ； 其中，表示1×1卷积核，表示Sigmoid激活函数； f、模态交互增强：上方分支处理后的光谱-空间加权特征与下方分支处理后的高程加权特征再次进行逐元素相乘，最终得到融合特征： ； 最终输出多模态特征，其包含HSI的光谱-空间特征和LiDAR的高程信息特征。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250353 山东省济南市长清区西部新城大学科技园；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。