Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 重庆邮电大学罗小波获国家专利权

重庆邮电大学罗小波获国家专利权

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!

龙图腾网获悉重庆邮电大学申请的专利基于自适应归一化和注意力机制的遥感图像时空融合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:CN117036884B

龙图腾网通过国家知识产权局官网在2025-09-26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:202311004639.2,技术领域涉及:G06V10/80;该发明授权基于自适应归一化和注意力机制的遥感图像时空融合方法是由罗小波;张丹设计研发完成,并于2023-08-10向国家知识产权局提交的专利申请。

基于自适应归一化和注意力机制的遥感图像时空融合方法在说明书摘要公布了:本发明涉及一种基于自适应归一化和注意力机制的遥感图像时空融合方法,属于计算机领域。引入双流网络分别提取多个尺度下的低空间分辨率图像的时间变化信息和高空间分辨率图像的细节纹理信息;引入常用于风格迁移的自适配实例归一化,在保留参考时刻的高空间分辨率图像空间特征的基础上,添加预测时刻的低空间分辨率的整体光谱特征和边缘纹理,生成中间时刻的高空间分辨率图像;使用注意力机制学习时间变化敏感程度的权重系数矩阵,得到各个尺度上的高空间高时间分辨率的特征图,最后按照特征图大小依次送入包含通道空间注意力机制模块的图像重建网络生成最终的预测图像。本发明提高了时空融合模型的精确性和鲁棒性,能够适应多种融合任务。

本发明授权基于自适应归一化和注意力机制的遥感图像时空融合方法在权利要求书中公布了:1.基于自适应归一化和注意力机制的遥感图像时空融合方法,其特征在于:该方法包括特征提取阶段、特征融合阶段和特征重建阶段; 所述特征提取阶段采用双流网络,两个子分支分别提取低空间分辨率但高时间分辨率LSHT图像的多尺度特征和高空间分辨率但低时间分辨率HSLT图像的多尺度特征;然后利用两个时刻的LSHT图像差值学习时间变化并根据变化程度生成权重图,利用预测时刻的LSHT和参考时刻的HSLT图像进行自适应实例归一化AdaIN生成中间时刻的HSLT特征图,根据权重图分别赋予预测时刻的LSHT特征图和中间时刻的HSLT特征图不同的权重进行所述特征融合阶段,得到多个尺度下的HSHT特征图;根据特征图的尺寸大小进行上采样统一特征维度后相加合并得到最终的HSHT特征图,最后使用通道空间注意力机制对其进行特征重建阶段,得到预测时刻的HSHT图像; 使用Resnet的残差块作为网络基本块;将网络前一层的输入添加到下一层,通过跳跃连接帮助网络更好地学习输入和输出之间的映射关系,从而提高网络的性能,解决普通卷积神经网络因层数过深时造成的网络退化;设x表示残差网络的输入,F.表示残差块,将网络的输入和其经过残差块处理后的结果相加就得到网络的最终输出H.,Resnet用数学公式表达如下: Hx=x+Fx2 训练的残差块使用自适配归一化代替批归一化;设每一个像素表示为hncij,其中n代表样本数目,c代表通道数目,i代表通道的高,j代表通道的宽;自适配归一化对hncij进行归一化操作,并输出归一化后的像素值,计算公式如下: μ和v2分别表示均值和方差,β和γ分别是缩放系数和偏移参数,wk和w'k是可学习的相应统计量的权重,Ω表示包含批归一化、层归一化和实例归一化的集合; 将两个时刻的MODIS图像的差值作为输入送入负责学习变化权重函数f.的注意力网络中得到注意力矩阵W;权重计算的公式如下: 引入用于风格迁移的自适应实例归一化AdaIN到多尺度特征融合模块中;AdaIN通过将内容图像特征的均值μx和方差σx对齐到风格图像的均值μy和方差σy将一幅图像内容呈现为另一幅图像的风格,公式表示为: 在时空融合中,将参考时刻的Landsat特征图作为内容图像,预测时刻的MODIS特征图作为风格图像;提供预测图像的近似信息,而提供小范围的细节信息;得到的中间高空间分辨率特征图包含本身的结构纹理和光谱特征,以及的边缘结构和突出区域的空间细节; 权重越大,表示变化越大,那么分配给预测时刻t1的MODIS特征图的权重也越大;权重越小,变化越小,分配给中间时刻的Landsat特征图的权重越大;将W和1-W分别与相乘得到对于预测目标有效的关键特征用表示两个多维矩阵对应元素的乘积,则使用的融合方法表示如下: 重建高分辨率图像时,使用通道空间注意力模块CBAM,沿着通道和空间两个维度依次学习注意力权重图,然后将注意力权重图乘以输入特征图以进行自适应特征修饰;用表示逐个元素相乘,用表示逐个元素相加,FInput和FOutput分别表示CBAM模块的输入特征图和输出特征图,Mc和Ms分别表示生成的通道特征和空间特征,表示如下:

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重庆邮电大学,其通讯地址为:400065 重庆市南岸区黄桷垭崇文路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”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。