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！

龙图腾网获悉兰州交通大学申请的专利一种地图要素深度学习表征的可视化分析方法及系统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：CN117853607B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202410042035.5，技术领域涉及：G06T11/20；该发明授权一种地图要素深度学习表征的可视化分析方法及系统是由闫浩文;李蓬勃;禄小敏;李精忠;杨维芳;张黎明设计研发完成，并于2024-01-11向国家知识产权局提交的专利申请。

本一种地图要素深度学习表征的可视化分析方法及系统在说明书摘要公布了：本发明公开了一种地图要素深度学习表征的可视化分析方法及系统。首先，通过编码器‑解码器结构训练生成模型，训练完成的解码器能够将地图要素的深度学习表征从特征空间映射到视觉可感知的地图空间。然后，通过深度学习表征的变换、解码和可视化分析，提取对应地图要素的可认知概念，并将特征空间各个维度与可认知概念对齐；最后，通过人工设计案例的直接验证和观察分类器权重的间接验证方法评价概念对齐结果。本发明能够有效避免数据标注，降低生成模型的训练负担；可应用于点、线、面等地图要素，具有一定适应性；能够利用可视化人机互动，为地图要素深度学习表征提供直观的解释，有助于相关深度学习模型的评价、优化和应用。

本发明授权一种地图要素深度学习表征的可视化分析方法及系统在权利要求书中公布了：1.一种地图要素深度学习表征的可视化分析方法，其特征在于，包括以下步骤： S1.基于编码器‑解码器结构的生成模型训练，包括以下子步骤： S11.载入待解释模型和原始数据集，其中，待解释模型是已经训练完成并能够输出不同类型地图要素表征的深度神经网络，作为该步骤的编码器；所述原始数据集将作为训练集参与后续解码器的训练； S12.构建基于变形思想的通用矢量数据解码器，该解码器输入由两部分组成：1包含基础空间信息、语义信息和拓扑关系的点、线或面，将其称为基础要素；2待解释地图要素深度学习模型所输出的深度学习表征；该解码器的训练目标是根据深度学习表征信息为组成基础要素的每个点生成一个对应的变形操作，然后通过变形操作，使得解码器生成的地图要素与编码器的输入要素尽可能一致； S13.设计损失函数并进行数据预处理，其中，损失函数采用计算点集合相似程度的Chamfer距离作为基础损失函数，计算所述编码器输入和解码器输出的相似程度，可直接应用于点要素，对于线要素需额外引入长度作为重建约束条件，对于面要素需额外引入周长和面积作为重建约束条件；数据预处理包括三项内容：1对组成对线、面要素的长线段进行点的重采样,保证组成线段的点能够提供足够的空间信息；2若所述编码器的输入数据是栅格数据，计算损失时需对栅格数据进行矢量化操作；3如果输入数据信息中包含语义信息，需对语义进行量化处理，保证语义信息之间可度量； S14.利用编码器‑解码器结构训练通用矢量数据解码器，训练过程将待解释模型作为编码器与解码器连接，并载入原始数据集；编码器只输出深度学习表征，通过最小化S13步骤设计的损失函数优化解码器参数，训练出的解码器能够将待解释模型输出的地图要素深度学习表征转换成可视觉感知的地图要素，用于后续可视化分析； S2.基于可视化分析的深度学习表征与可认知概念对齐，包括以下子步骤： S21.定义地图要素深度学习表征的变换操作，并利用已经训练完成的解码器将变换后的深度学习表征转换成可视化地图要素，其中，表征变换操作包括：平移、旋转、差值、生成单位向量，不同的变换操作可改变深度学习表征各个维度的数值； S22.通过可视化分析提取可认知概念，根据待解释模型的任务特点，观察解码器输出的可视化结果如何随变换后的深度学习表征变化，从几何和语意层面提取与地图要素相关的可认知概念，包括：特定形状、频率、方向、尺寸、空间分布模式、等级、类别，最终形成对应任务的可认知概念集合； S23.可认知概念对齐，其中，对齐是指通过分析变换操作与可视化结果变化之间的对应关系，将待解释模型输出的地图要素深度学习表征每个维度与所述可认知概念关联起来，最终得到所述待解释模型深度学习表征的特征空间与所述可认知概念集合之间的对应关系，作为对所述待解释模型的一种解释； S3.直接和间接的分析结果验证，包括以下两种验证方式： S31.直接验证：根据步骤S22提取的可认知概念集合，设计包含上述概念的地图要素数据，输入解码器，直接观察解码器输出的深度学习表征各个维度的数值变化是否符合步骤S23概念对齐的结果； S32.间接验证：将深度学习表征应用于下游的分类任务，利用多层感知机训练分类器，然后观察做出特定分类预测时，深度学习表征不同维度在分类器中所占的权重是否与步骤S23概念对齐的结果一致； 该步骤为每项配对后的深度表征维度与可认知概念执行一定次数的直接验证和间接验证，并对每一次验证结果评分，然后计算所有评分结果的均值作为对该项对应关系的评分，并输出每项对应关系和评分的集合，作为对步骤S23所得解释结果的量化评价。

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兰州交通大学，其通讯地址为：730070 甘肃省兰州市安宁区安宁西路88号兰州交通大学；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”。