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！

龙图腾网获悉四川省国土科学技术研究院(四川省卫星应用技术中心);中国石油大学(华东)申请的专利一种点注释弱监督的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：CN121482402B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610007652.0，技术领域涉及：G06V10/26；该发明授权一种点注释弱监督的语义分割方法是由程吉;赵元昊;孙根云;张爱竹;方铮设计研发完成，并于2026-01-06向国家知识产权局提交的专利申请。

本一种点注释弱监督的语义分割方法在说明书摘要公布了：本发明公开了一种点注释弱监督的语义分割方法，包括步骤S1、模型超参数设置；S2、数据准备与归一化；S3、基于SGF‑Encoder的多尺度特征编码；S4、基于HSA‑Decoder的多层级特征融合解码；S5、损失与训练策略的设定。本申请提供了一种点注释弱监督的语义分割方法，将传统图像处理中边缘双边滤波、形态学、小波的先验与深度网络结构融合，形成“光谱局部—全局上下文—滤波先验”的联合特征学习的编码器SGF‑Encoder，并配合层次结构感知解码器HSA‑Decoder进行多尺度对齐与结构重建，进而在仅约0.01%像素点注释条件下，取得较高精度并显著提升可解释性与鲁棒性。

本发明授权一种点注释弱监督的语义分割方法在权利要求书中公布了：1.一种点注释弱监督的语义分割方法，其特征在于，包括以下步骤： S1、模型超参数设置； S1-1：基础通道构建与阶段扩展； 以最浅层特征通道数C=32为起点构建多阶段编码器，每进入下一阶段便将特征图的空间分辨率按12缩减，并将通道数按2倍扩展； S1-2：采用自注意力结构； 在多阶段编码器的Transformer特征提取层采用窗口化多头自注意力结构； S1-3：进行训练与推理设置； 在训练阶段采用Adam优化器，初始学习率0.001，权重衰减为1e-4，并结合余弦退火策略逐步降低学习率以获得平稳收敛，使用交叉熵损失作为模型优化损失计算方法； S2、数据准备与归一化； S2-1：遥感影像裁块与数据划分； 将原始的遥感影像裁切为256×256的补丁，或将原始的遥感影像裁切为512×512的补丁，将补丁按照6:2:2的比例划分为训练集、验证集与测试集三个数据集，采用点注释的方式对各个数据集中的补丁进行标注； S2-2：归一化与对齐； 对输入的补丁在通道维度进行零均值、单位方差归一化；同时，进一步采用全局亮度对比度归一或直方图匹配；最终得到用于模型训练的训练样本图像X0∈RH×W×3，其中，R表示向量，H和W分别为图像纵向和横向上的像素数量，也就是三维向量的两个维度； S3、基于SGF-Encoder的多尺度特征编码； S3-1：浅层嵌入； 对输入的训练样本图像特征进行多通道的语义特征提取，并进行空间分辨率上的降低； S3-2：通过SGF-FL模块进行三分支联合特征学习； 在每个编码阶段，通过SGF-FL模块的三个特征提取分支并行展开光谱分支、全局分支与滤波分支，以获取输入特征中的光谱信息、全局信息以及滤波信息； 将光谱信息、全局信息以及滤波信息在通道维拼接，经1×1卷积压回阶段通道数后与输入残差相加，得到阶段表征； S3-3：通过WPD模块进行小波保持式下采样； 结合小波变化的方式对输入的图像特征进行下采样的同时提取高频和低频信息； S3-4：多阶段递进编码； 分多阶段重复2或3次步骤S3-2和步骤S3-3，以不断深化语义、逐步压缩空间尺度，在学习语义特征的同时并不断对特征进行下采样； S3-5：深层语义提炼； 通过SGF-FL模块来提取深层特征的语义特征，最终得到多尺度张量集合{F1∈RH2×W2×64，F2∈RH4×W4×128，F3∈RH8×W8×256}，其中，F1为语义特征中的浅层特征，F2为语义特征中的中层特征，F3为语义特征中的深层特征，R表示特征为三维向量，H和W分别为图像纵向和横向上的像素数量； S4、基于HSA-Decoder的多层级特征融合解码； S4-1：浅层边缘增强与去噪； 解码器对浅层特征F1和中层特征F2进行浅层特征结构感知，以完成细节校正，该过程首先通过CBAM模块和WPD模块将浅层特征F1的空间尺度信息调整至与中层特征F2相同，然后复用编码阶段中SGF-FL模型的边缘特征提取方式分别对调整后的浅层特征F1和中层特征F2的真实边缘进行选择性放大、对伪边缘与噪声进行抑制，最后通过通道维度的组合将两组特征进行组合，得到浅中层特征； S4-2：对中深层特征采用重叠补丁嵌入，实现跨阶段语义对齐与上下文建模； 对于中层特征F2以及深层特征F3，解码器采用带重叠的补丁嵌入，随后经过归一化、激活以与1×1投影统一到相同的通道维度，获得中深层特征； S4-3，多尺度拼接与结构感知融合； 在统一尺度上，将浅中层特征与中深层特征在通道维拼接，随后通过通道注意与空间注意联合的结构感知模块进行重标定，获得融合特征； 最终，以3×3卷积整形+1×1压缩的方式将融合特征规整为解码通道维度，获得融合表征； S4-4：上采样重建与分类输出； 所述融合表征经两级双线性上采样逐步恢复至原始分辨率，然后通过轻量卷积与归一化以避免棋盘伪影；通过分类头采用单层1×1卷积直接映射到numclass维度，并通过Softmax生成与输入同尺寸的像素级概率图Xoutput∈RH×W×numclass，其中，R表示向量，H和W分别为图像纵向和横向上的像素数量，numclass指的是模型输出的类别数量； S5、损失与训练策略的设定； 使用交叉熵损失在点注释位置进行监督。

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四川省国土科学技术研究院(四川省卫星应用技术中心);中国石油大学(华东)，其通讯地址为：610000 四川省成都市武侯区万丰路189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。