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！

龙图腾网获悉中国海洋大学申请的专利基于全局动态卷积神经网络的SAR图像变化检测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：CN115018773B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202210564263.X，技术领域涉及：G06T7/00；该发明授权基于全局动态卷积神经网络的SAR图像变化检测方法是由高峰;徐云哲;董军宇设计研发完成，并于2022-05-23向国家知识产权局提交的专利申请。

本基于全局动态卷积神经网络的SAR图像变化检测方法在说明书摘要公布了：本发明提出一种基于全局动态卷积神经网络的SAR图像变化检测方法，对同一地理区域捕获的两幅多时相SAR图像进行差异分析，获得差异图；对差异图进行预分类，构建训练数据集和测试数据集；利用训练数据集训练全局动态卷积神经网络模型，并利用测试数据集进行测试，从而得到整幅同一地理区域的多时相SAR图像变化检测结果。本方案在构建训练数据集时采用两阶段的混合样本数据增强方法增加数据集的数量，保证样本多样性和可靠性；同时采用全局动态卷积方式来提升卷积神经网络的性能，提高了SAR图像变化检测对噪声的鲁棒性和泛化能力；结合数字图像处理和深度学习技术，在国防军事侦察、自然环境监测、自然灾害监测和城市土地规划等领域具有重要意义。

本发明授权基于全局动态卷积神经网络的SAR图像变化检测方法在权利要求书中公布了：1.一种基于全局动态卷积神经网络的SAR图像变化检测方法，其特征在于，包括以下步骤： 步骤1、对同一地理区域捕获的两幅多时相SAR图像进行差异分析，获得差异图IDI； 步骤2、对差异图IDI进行预分类，构建训练数据集和测试数据集； 步骤3、构建全局动态卷积神经网络； 所构建的全局动态卷积神经网络核心架构包括三个结构一致的全局动态卷积层，每个全局动态卷积层由全局特征编码模块、上下文特征投影模块和卷积核权重生成模块构成，全局特征编码模块通过平均池化层和线性层对全局信息进行编码，然后上下文特征投影模块通过上下文特征投影将编码后的特征投影到输出维度空间，最后，卷积核权重生成模块生成包含全局上下文信息的卷积核，使用生成的新卷积核来执行常规卷积；全局动态卷积神经网络结构为：输入层→低层全局动态卷积层→中层全局动态卷积层→高层全局动态卷积层→全连接层，其中输入层输入的样本大小为c×r×r，c表示输入数据通道数； 全局动态卷积层各模块构建过程如下： 1构建全局特征编码模块：全局特征编码模块包括平均池化层、线性层、归一化层和激活层，平均池化层提取输入数据的全局信息，将输入数据空间大小降低到k×k，其中k为卷积核大小；然后通过线性层将所有c个通道中的特征投影到m大小的向量上；再经过归一化和ReLU激活函数得到全局特征编码模块的输出特征为： 2构建上下文特征投影模块： 上下文特征投影模块包括线性层、归一化层和激活层，线性层将1所得到的特征G投影到输出维度为n的空间中，再经过归一化和ReLU激活函数得到上下文特征投影模块的输出特征为： 3构建卷积核权重生成模块： 1权重生成模块首先利用两个线性层分别将特征G和特征C转换到卷积核的空间大小，第一个线性层将特征转换为第二个线性层将特征转换为然后将MG进行维度扩展得到将MC进行维度扩展得到 2然后，将MG和MC相加生成卷积核权重M，计算公式如下： M＝δM′G+M′C 其中，与原始卷积核W的大小相同，δ表示Sigmoid激活函数； 3最后，将生成的卷积核权重M和当前卷积核权重W进行逐元素相乘，结合全局信息和局部信息，得到输入数据自适应的新卷积核权重W′，计算公式如下： W′＝M⊙W 其中，⊙表示逐元素乘法；然后利用生成的新卷积核对输入数据中的当前数据进行常规卷积； 步骤4：将步骤2得到的训练数据集用于步骤3所构建的全局动态卷积神经网络的训练，训练时，采用两阶段混合样本数据增强方式进行训练； 步骤5：利用训练好的网络模型对测试数据集进行测试，获得测试数据集的预测标签，从而得到整幅图像的变化检测结果。

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中国海洋大学，其通讯地址为：266000 山东省青岛市崂山区松岭路238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。