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！

龙图腾网获悉大连理工大学申请的专利一种基于虚拟样本扩展的增量式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：CN119851039B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202510048790.9，技术领域涉及：G06V10/764；该发明授权一种基于虚拟样本扩展的增量式高光谱图像分类方法是由马晓瑞;周宏;赵园园;王洪玉;王洁设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本一种基于虚拟样本扩展的增量式高光谱图像分类方法在说明书摘要公布了：本发明提供一种基于虚拟样本扩展的增量式高光谱图像分类方法，属于遥感图像处理与应用技术领域。首先，对高光谱图像原始数据进行数据预处理；其次，构建虚拟样本扩展网络并训练初始阶段的虚拟样本扩展网络；再次，搭建并训练初始阶段的增量式高光谱图像分类模型；最后，利用虚拟样本扩展网络和动量知识蒸馏进行增量阶段的增量式高光谱图像分类模型的训练，进行分类并输出结果。本发明可对采集于不同高光谱成像仪的高光谱图像进行增量学习，从而实现学习新类别的同时，不遗忘旧类别的分类能力；本发明为增量式实现高光谱图像分类提供了一种可行的解决方案，使高光谱图像分类理论离大规模实际用更进一步。

本发明授权一种基于虚拟样本扩展的增量式高光谱图像分类方法在权利要求书中公布了：1.一种基于虚拟样本扩展的增量式高光谱图像分类方法，其特征在于，包括以下步骤： 步骤1，使用高光谱成像仪采集高光谱图像原始数据，进行数据预处理与数据集的划分，其中，为了划分数据集，将增量式高光谱图像分类模型的训练过程划分为若干阶段0,1,2,...,t...,T，其中T表示增量阶段数；为每个阶段t分配增量式高光谱图像分类模型需要新学习的类别集合Ct，其中， 表示阶段t的第m个类别； 步骤2，构建虚拟样本扩展网络，所述虚拟样本扩展网络由变分自动编码器和对抗自动编码器组成，用于生成虚拟样本，以增强当前训练样本，并生成旧类别的伪样本； 步骤3，根据步骤1划分的阶段，在初始阶段t＝0训练虚拟样本扩展网络； 步骤4，构建增量式高光谱图像分类模型：搭建一个特征提取模块，特征提取模块的最后线性层后接Softmax分类器，作为增量式高光谱图像分类模型的初始形态； 步骤5，根据步骤1划分的阶段，构建初始阶段的训练数据集，进行初始阶段的高光谱图像分类； 步骤6，依据步骤1划分的阶段和类别集合，对后续t＞0的增量学习阶段依次输入类别集合对应的训练数据，利用动量知识蒸馏和步骤3的虚拟样本扩展网络，对前一阶段得到增量式高光谱图像分类模型进行进一步参数更新，使得该增量式高光谱图像分类模型逐渐具备对于所有阶段学习类别的分类能力；具体的： 步骤6.1，在t＞0的增量学习阶段将与当前训练阶段对应的训练样本输入到步骤2的虚拟样本扩展网络中，训练并保存对应解码器； 步骤6.2，生成随机高斯噪声，并将其输入到步骤6.1中保存的解码器中，使用解码器生成当前训练样本的数据增强样本和旧类虚拟样本，将新类样本、新类增强样本和旧类虚拟样本进行联合，构建增量训练集Dt，其中t＞0； 步骤6.3，动量知识蒸馏：使用指数移动平均更新增量式高光谱图像分类模型的参数，并使用知识蒸馏损失Lkd保持旧类别的分类能力； 步骤6.4，将步骤6.2得到的增量训练集Dt输入到步骤4中的特征提取模块和Softmax分类器中，更新增量式高光谱图像分类模型得到归一化概率；使用标签与归一化概率计算得到交叉熵损失，并计算知识蒸馏损失，总损失函数为交叉熵损失和知识蒸馏损失相加；按照固定轮次进行训练；保存训练完成后的增量式高光谱图像分类模型； 步骤7，使用步骤6训练完成的增量式高光谱图像分类模型进行分类，并输出结果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。