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！

龙图腾网获悉西安理工大学申请的专利基于自适应图卷积与多尺度特征融合的高光谱图像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：CN120355976B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202510348116.2，技术领域涉及：G06V10/764；该发明授权基于自适应图卷积与多尺度特征融合的高光谱图像分类方法是由王文卿;张平平;杨毅飞;高铭泽;孙文豪;朱定洲;刘涵;梁莉莉设计研发完成，并于2025-03-24向国家知识产权局提交的专利申请。

本基于自适应图卷积与多尺度特征融合的高光谱图像分类方法在说明书摘要公布了：本发明的目的是提供基于自适应图卷积与多尺度特征融合的高光谱图像分类方法，具体按照以下步骤实施：步骤1、采集高光谱图像构建高光谱数据集，高光谱数据集将构建好的高光谱数据集划分为训练集、验证集和测试集；步骤2、构建结合CNN和AGCN的双分支特征融合分类网络模型；步骤3、将所述步骤1中划分的训练集输入到步骤2构建的分类网络模型中，设置好参数，进行训练；步骤4、得到高光谱图像地物分类结果，对分类结果的指标、数据、图像信息进行评估。解决了现有技术中存在的高光谱图像分类方法无法充分提取细微特征，限制了分类精度的问题。

本发明授权基于自适应图卷积与多尺度特征融合的高光谱图像分类方法在权利要求书中公布了：1.基于自适应图卷积与多尺度特征融合的高光谱图像分类方法，其特征在于，具体按照以下步骤实施： 步骤1、采集高光谱图像构建高光谱数据集，高光谱数据集将构建好的高光谱数据集划分为训练集、验证集和测试集； 步骤2、构建结合CNN和AGCN的双分支特征融合分类网络模型； 所述步骤2中，AGCN分支包含三个部分，分别是数据预处理、自适应图卷积、图注意力网络，AGCN分支用于处理超像素级别特征的子网络，提取图信号特征并利用超像素之间的关系，首先进行预处理，即把输入数据利用超像素分割进行预处理，就是对原始数据进行不同大小的超像素分割，然后将经过处理的超像素数据作为AGCN分支的输入；AGCN分支的输入数据就时超像素分割时得到特征矩阵S，形状为N,in-channels，其中N是超像素的数量，in-channels是每个超像素的特征维度，计算所有超像素特征之间的欧氏距离，得到距离矩阵，公式为： 和分别是特征矩阵S的第行和第j行，和分别是特征矩阵S的第行和第j行的第k个元素； 生成的高斯相似性矩阵即为动态邻接矩阵D，用于表示超像素之间的相似性关系，公式为： 其中是可学习的参数； 再融合静态和动态邻接矩阵，其中矩阵A是预先定义的静态邻接矩阵，表示超像素之间的固定连接关系，使用融合权重γ和1-γ将静态邻接矩阵A和动态邻接矩阵融合，得到融合后的邻接矩阵，使用节点注意力机制对节点特征进行加权，增强重要特征并抑制不重要特征，计算注意力权重，然后通过线性层将输入特征映射到新的特征空间，使用融合后的邻接矩阵进行图卷积操作，自适应图卷积模块要经过三次从输入到图卷积的过程； 融合图注意力机制GAT首先对输入的节点特征矩阵进行线性变换，目的是将节点特征映射到一个新的特征空间，这一步通过一个可学习的权重矩阵W实现，权重矩阵的初始化遵循Xavier均匀分布，线性变换后得到的特征矩阵用于后续的注意力计算，将线性变换后的特征矩阵的每个节点特征向量重复扩展，形成所有可能的节点对组合，即，对于每个节点，将其特征向量与所有其他节点j的特征向量组合成一个新的特征矩阵，然后，使用一个可学习的注意力向量a来计算节点对之间的注意力分数，然后通过一个LeakyReLU激活函数来引入非线性，公式为： 计算得到的注意力分数eij需要进行归一化处理，以确保权重的合法性和稳定性，在GAT中，采用softmax函数对注意力分数进行归一化，使其在节点的所有邻居中加和为1，此外，只有当邻接矩阵中的值大于0时，节点才被视为节点的有效邻居，经过归一化后的注意力权重被用来对变换后的特征，这样，每个节点的新特征都是其邻居节点特征的加权平均，而注意力权重则动态地衡量了邻居节点的重要性，进行加权求和，从而得到节点的新特征向量； 步骤3、将所述步骤1中划分的训练集输入到步骤2构建的分类网络模型中，设置好参数，进行训练； 步骤4、得到高光谱图像地物分类结果，对分类结果的指标、数据、图像信息进行评估。

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安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。