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解耦自编码器的SAR可解释特征提取与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：CN116824154B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202310722752.8，技术领域涉及：G06V10/40；该发明授权一种基于解耦自编码器的SAR可解释特征提取与分类方法是由耿杰;张宇航;蒋雯设计研发完成，并于2023-06-19向国家知识产权局提交的专利申请。

本一种基于解耦自编码器的SAR可解释特征提取与分类方法在说明书摘要公布了：本发明涉及一种基于解耦自编码器的SAR可解释特征提取与分类方法，首先建立散射特征解耦自编码器模型，采用滑窗采样能简单有效的构建无标签训练集。解耦自编码器模型并进行训练，以散射特征解耦自编码器，提取SAR图像可解释特征；由于采用切分‑遮掩图像块的方式加速了解耦网络的训练效率。散射特征解耦层的引入，使得反映散射特性的抽象语义特征被映射到指定的特征子空间，散射特征解耦自编码器得到的特征具有较强的可解释性和解耦性，这有利于下游分类任务。

本发明授权一种基于解耦自编码器的SAR可解释特征提取与分类方法在权利要求书中公布了：1.一种基于解耦自编码器的SAR可解释特征提取与分类方法，其特征在于步骤如下： 步骤1：建立散射特征解耦自编码器fs，并初始化解耦自编码器fs的网络层参数权重，设置输入极化SAR数据T矩阵的遮掩率mr、学习率lr参数； 步骤2：在极化SAR数据集上构建无标签样本训练集Tu，且其中为训练样本 以无标签样本训练集Tu对解耦自编码器进行训练，步骤为： 步骤201：将无标签训练数据集样本切分为Np个图像块： Np＝scsp 其中：sp表示图像块的尺寸； 按遮掩率mr对切分后的图像块进行遮掩并记录遮掩位置矩阵mask，得到Lum个未遮掩的图像块： Lum＝1-mr*Np 步骤202：将未被遮掩的图像块以被特征嵌入层编码，随后为之添加正弦位置编码，赋予图像块位置信息，由此获得未遮掩的极化SAR数据编码后的特征令牌 步骤203、将编码后的Lum个特征向量令牌输入到Transformer编码器fu-enc，从未遮掩的极化SAR数据中捕获上下文依赖关系，获得隐藏层特征令牌Tlatent： Tlatent＝fu-encTum 步骤204：设置Lm个学习的特征令牌，并按照遮掩位置mask插入到Lum个隐藏层特征令牌集合中，随后为之添加正弦位置编码，赋予该层特征令牌在全局上的位置信息，获得更新后的特征令牌集合Tum-m； 步骤205、将特征令牌ti∈Tum-m输入到Transformer编码器fT-rec，该层级试图根据未遮掩特征令牌之间的相关性以及与遮掩令牌之间的空间上下文关系重建遮掩位置上的T矩阵信息，最后获得包含全局T矩阵信息的特征令牌集合Tglobal： Tglobal＝fT-recTum-m 步骤206：将特征令牌集合Tglobal输入到散射特征解耦层，通过多头注意力机制将输入的令牌特征映射到Nscatter个特征子空间，每一个特征子空间表征了极化SAR数据的一种极化散射特性，通过散射特征解耦层fdec的多个注意力头得到Nscatter个极化散射特性的潜在表征该特征维度表示为[Nscatter,Np+1,Ds]，分别表示散射特征的种类数，特征令牌数量以及极化散射特性潜在表征的特征维度； 其中表示各特征令牌的一种极化散射潜在表征分量，增强了表征的可解释属性； 步骤207：将解耦后的极化散射潜在表征Pscatter进行维度转换，得到维度为[Cscatter,hp,wp]的特征，其中Np＝hp·wp，Cscatter＝Nscatter·Ds； 随后将其输入到散射特征分组预测头中，从每一种散射特性的潜在表征中得到对应的极化SAR分解散射分量经维度转换后得到每个令牌对应的散射分量 所述预测头fpre为解耦自编码器中分组卷积构成； 步骤208：计算散射特征重构损失，更新解耦自编码器网络层参数； 所述重构损失定义如下： 其中，ti、分别表示真实极化散射特征令牌以及解耦自编码器生成的散射特征令牌，ti由真实极化散射特征Fscatter维度变换而来，即损失函数只计算被遮掩位置令牌的均方误差值； 步骤209、迭代训练至最大迭代批次，保存散射特征解耦自编码器的权重参数Wd； 步骤3、微调散射特征解耦自编码器的主干，训练分类器： 步骤301：将去除分组预测头后的散射特征解耦自编码器作为分类模型的可解释特征提取主干fb，加载步骤2中保存的权重参数Wd，初始化分类器fcls及其参数、学习率； 步骤302、对于有标签极化SAR数据，从C个类别中随机抽取同样数目的样本作为训练集； 步骤303：将每个批次的N个训练样本进行两次随机数据增强，得到2N个增强后的数据； 步骤304：将随机增强后的SAR数据进过图像块特征嵌入后输入到可解释特征提取主干fb，得到包含上下文全局语义信息的隐藏层特征令牌Tlatent以及包含极化散射特性的潜在表征Pscatter，此步骤无需随机遮掩图像块； 步骤305：将包含极化散射特性的潜在表征Pscatter通过特征嵌入层与隐藏层特征令牌特征Tlatent进行特征融合，将极化散射特性嵌入到具有高级语义的抽象特征中，得到融合后的特征Z； 步骤306：将融合后的特征Z输入到分类器中，得到每个类别的预测得分，计算损失函数，更新分类模型权重参数； 所述损失函数由交叉熵损失Lce和特征对比损失Lcon构成，定义如下： 以交叉熵损失用于减少样本类别的真实概论分布与分类器预测类别概率分布之间的差异；特征对比损失使增强后的数据中同一类别特征距离减小，不同类别的特征远离，用于训练出更加鲁棒的分类器；表示一批训练样本中第i类的样本的数目，zi表示一批样本中一个样本特征，即输入分类器的特征向量。

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”。