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！

龙图腾网获悉西安电子科技大学申请的专利一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质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：CN119360222B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411377659.9，技术领域涉及：G06V20/13；该发明授权一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质是由任仲乐;江润侬;宁家伟;刘士杰;侯彪;李卫斌;焦李成设计研发完成，并于2024-09-30向国家知识产权局提交的专利申请。

本一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质在说明书摘要公布了：一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质，方法：构建遥感影像预训练数据集；并采用掩码重建策略对编码器‑解码器结构的预训练模型训练，得到遥感影像预训练权重；构建遥感影像微调数据集，划分训练、验证和测试集；对编码器‑语义分割头结构的模型分别在遥感影像预训练权重和自然图像预训练权重基础上，使用训练集和验证集微调，得到两个语义分割模型；使用两个语义分割模型分别对测试集进行测试，得到自然图像预训练模型和遥感影像预训练模型的预测结果；基于设定的规则，对两个预测结果融合决策，得到遥感影像地物分割结果；系统、设备及介质实现该方法；本发明具有分割精度高和鲁棒性强的优点。

本发明授权一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法、系统、设备及介质在权利要求书中公布了：1.一种基于多源预训练模型融合决策的大场景遥感影像层次化地物分割方法，其特征在于，包括以下步骤： 步骤1：构建遥感影像预训练数据集对海量光学遥感影像进行预处理和裁剪，得到遥感影像预训练数据集 所述步骤1构建遥感影像预训练数据集的具体过程为： 步骤1.1：对海量光学遥感影像进行数据筛选、数据清洗的预处理操作，得到高质量遥感影像数据； 步骤1.2：对步骤1.1得到的高质量遥感影像数据按照512*512的尺寸进行非重叠裁剪，得到遥感影像预训练数据集 步骤2：构建遥感影像微调数据集：首先，构建大场景中的典型地物类别集合，对带标签的光学遥感影像进行类别合并；其次，对类别合并后的光学遥感影像及其标签进行非重叠裁剪，得到遥感影像微调数据集，并按比例划分训练集、验证集和测试集； 所述步骤2构建微调数据集的具体过程为： 步骤2.1：构建大场景中的典型地物层次化类别体系； 步骤2.2：选取带标签的光学遥感影像，根据步骤2.1构建的类别体系进行类别合并，并按照512*512的尺寸进行非重叠裁剪，得到遥感影像微调数据集并按照8：1：1的比例划分为训练集、验证集和测试集； 步骤3：模型预训练：使用步骤1得到的遥感影像预训练数据集并采用掩码重建策略对编码器-解码器结构的预训练模型进行训练，得到遥感影像预训练权重； 所述步骤3模型预训练的具体过程为： 所述编码器-解码器结构的预训练模型包括编码器E和解码器D； 步骤3.1：模型输入：使用步骤1.2构建的遥感影像预训练数据集中经过掩码的样本Dpre作为编码器-解码器结构的预训练模型的输入： 其中，Ψ·表示预训练模型，θ表示模型中的优化参数； 步骤3.2：定义编码器E：编码器E使用的主干网络是Swin-S，Swin-S网络由4个阶段组成，从前到后每个阶段包含的SwinTransformer块的数量分别为2,2,18,2： Fpre＝EncoderDpre 其中，Encoder·表示编码器网络，Fpre表示编码器输出的特征； 步骤3.3：定义解码器D：解码器D使用一层全连接网络，输出与样本Dpre维度相同的重建结果： 其中，Decoder·表示解码器网络，表示重建结果； 步骤3.4：设计掩码重建策略：选定掩码块大小和掩码率，使用选定大小的掩码块根据掩码率随机地掩码输入数据的部分区域； 步骤3.5：构建重建损失，使用平均绝对误差作为损失函数计算原图与重建图像之间的差异： 其中，L1·表示平均绝对误差，y是真实值，是预测值，n是样本数量； 步骤3.6：对预训练模型进行预训练，并将训练完成后的编码器权重作为遥感影像预训练权重保存； 步骤4：模型微调与推理：首先，对编码器-语义分割头结构的模型分别在步骤3得到的遥感影像预训练权重和由ImageNet数据集预训练得到的自然图像预训练权重基础上，使用步骤2生成的训练集和验证集进行微调，得到结构相同但权重不同的两个语义分割模型；其次，使用两个语义分割模型分别对步骤2生成的测试集进行测试，得到自然图像预训练模型和遥感影像预训练模型的预测结果； 所述步骤4模型微调与推理的具体过程为： 所述编码器-语义分割头结构的模型包括编码器E和语义分割头H； 步骤4.1：定义语义分割头H：使用1×1卷积对输入的浅层特征，即编码器E第1阶段的输出，进行通道降维；使用空洞空间卷积池化金字塔AtrousSpatialPyramidPooling,ASPP对输入的深层特征，即编码器E第4阶段的输出，进行多尺度提取，最后将处理后的浅层特征和深层特征拼接后输入分类器，得到最终输出； 步骤4.2：连接步骤3.2中的编码器E与语义分割头H，将编码器E阶段1的输出作为浅层特征输入，阶段4的输出作为深层特征输入； 步骤4.3：分别将步骤3得到的遥感影像预训练权重和由ImageNet数据集预训练得到的自然图像预训练权重作为编码器E的初始权重，并使用步骤2.2中遥感影像微调数据集进行微调，得到结构相同但权重不同的两个语义分割模型； 步骤4.4：分别将步骤2.2中生成的测试集中的样本输入步骤4.3中微调得到的两个语义分割模型进行结果预测，得到预测的类别概率分布Proout以及预测结果Predout： 其中，表示语义分割头网络，softmax·表示归一化指数函数，argmax·表示最大自变量值函数； 步骤5：基于规则的融合决策：基于设定的规则，对步骤4中自然图像预训练模型和遥感影像预训练模型的预测结果进行融合决策，得到遥感影像地物分割结果； 步骤6：性能评估：计算步骤5得到的遥感影像地物分割结果中各个类别和整体质量的评价指标，量化融合性能。

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安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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。