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基于边缘辅助自适应的遥感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：CN116363516B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310339916.9，技术领域涉及：G06V20/10；该发明授权基于边缘辅助自适应的遥感图像变化检测方法是由唐旭;段钧益;马晶晶;张向荣;焦李成设计研发完成，并于2023-03-31向国家知识产权局提交的专利申请。

本基于边缘辅助自适应的遥感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边缘辅助和自适应的遥感图像变化检测方法，其实现步骤为：构建边缘辅助和自适应变化检测网络EATDer；生成相应的训练集和验证集；使用训练集和验证集对EATDer进行训练；对遥感图像进行变化检测。本发明利用搭建的SAVT模块和FRFM模块，能够在合理的计算代价下提取遥感图像全局特征，并控制数据集本身正负样本不均的影响，利用了强调边缘信息的变化检测模块和联合损失函数，能够使得网络充分注意到待检测目标的边缘检测精度，解决了现有技术方法中存在的计算代价大，边缘检测经常粘连，精度不高的问题。

本发明授权基于边缘辅助自适应的遥感图像变化检测方法在权利要求书中公布了：1.一种基于边缘辅助自适应的变化检测方法，其特征在于：构建包含自适应缩减的SAVT模块和双路信息沟通的FRFM模块，设计边缘信息的变换检测模块和相应的损失函数；该变化检测方法的步骤包括如下： 步骤1，构建边缘辅助自适应变化检测网络EATDer： 步骤1.1，搭建一个由三个结构相同的第一、第二、第三子提取器串联构成的特征提取器； 每个子提取器由两个结构相同的SAVT模块并连后再串接一个FRFM模块构成，256×256的输入图像经过三个子提取器后，输出64×64，32×32，16×16的三个特征图； 每个子提取器中的SAVT模块由特征图编码层与四个结构相同的自适应多头注意力的SAVT编码器构成；所述特征图编码层由一个卷积层实现；将第一至第三子提取器特征图维度分别设置为64，128，256，卷积核尺寸分别设置为7,3,3，步长分别设置为4,2,2，填充分别设置为3,1,1；所述自适应多头注意力的SAVT编码器由LayerNorm层、自适应缩减层、多头注意力层、LayerNorm层、MLP层依次串联构成；所述自适应缩减层是通过对输入数据进行平均池化和卷积，对于输入自适应缩减层前长、宽、输入维度为H×W×C的图像，平均池化后的大小为其中，为向上取整操作；将自适应缩减层中卷积的卷积核尺寸，步长，填充分别设置为1,1,0，在不同子提取器中多头注意力的头数固定为4； 每个子提取器中的FRFM模块由两个结构相同的FRFM子模块A和B并联构成，每个FRFM子模块由信息交互支路与CBAM结构串联构成，其中信息交互支路接受经由并联的SAVT模块处理后的两个输出特征图{X,Y}作为该支路的输入；所述FRFM子模块A中的信息交互支路由下式实现： 其中，Xcf表示FRFM子模块A中的信息交互支路的输出,表示不同的可供神经网络学习的参数矩阵，softmax·表示softmax函数，dkx表示缩放因子其取值与的维数相等；同理B支路的交叉融合过程的公式表述为： 其中，Ycf表示FRFM子模块B中的信息交互支路的输出，和表示不同的可供神经网络学习的参数矩阵，dky表示缩放因子其取值与的维数相等； 步骤1.2，建立由恢复子模块和细化子模块串联构成的变化检测模块； 所述恢复子模块由一个3×3卷积层和一个上采样层串联构成；所述细化子模块依次由3×3卷积层，SAVT模块，2×2反卷积层，BatchNorm层，2×2反卷积层，BatchNorm层，3×3卷积层，SAVT模块，3×3卷积层，BatchNorm层，1×1卷积层串联构成； 步骤1.3，将特征提取器、变化检测模块串联连接，构成边缘辅助自适应网络EATDer； 步骤2，生成训练集和验证集： 步骤2.1，采集至少1000对已经对齐的双时相遥感变化检测图像对，将所有经过对齐的双时相图像对裁剪为256×256大小后，再对每张变化检测图像对制作二值化标签，将图像中含有变化目标的像素点标记为正例，不含变化目标的像素点标记为负例； 步骤2.2，采用Canny算子，对每个二值化标签进行处理，得到待检测目标标签的边缘标签图像，将这些边缘标签构成边缘标签1，随后对边缘标签1使用内核尺寸3×3的图像膨胀处理后得到边缘标签2； 步骤2.3，对双时相遥感图像对和变化检测标签以及边缘标签1、2进行数据增强； 步骤2.4，将数据增强后的所有的图像以及标签按照4:1划分，将双时相遥感图像对和变化检测标签以及边缘标签2组合形成训练集1和验证集1，将双时相遥感图像对和变化检测标签以及边缘标签1组合形成训练集2和验证集2； 步骤3，使用训练集和验证集对EATDer进行训练： 步骤3.1,将训练集1输入到EATDer中，采用联合损失函数，计算EATDer输出的变化检测预测结果和目标边缘预测结果与对应的变化检测标签和目标边缘标签2的损失值，使用梯度下降法，迭代更新EATDer网络的参数，直至联合损失函数收敛为止，得到预训练好的EATDer； 步骤3.2，将训练集2输入到预训练好的EATDer中，采用联合损失函数，计算EATDer输出的变化检测预测结果和目标边缘预测结果与对应的变化检测标签和目标边缘标签1的损失值，使用梯度下降法，迭代更新EATDer网络的参数，每迭代一次将证集输入到迭代后的EATDer中进行验证，将在100次在验证结果中精度最高的网络参数作为最终训练完成的网络参数，得到训练好的EATDer； 步骤4，对遥感图像进行变化检测： 将已经对齐的待检测遥感图像裁剪为256×256大小的图像后，输入到训练好的EATDer网络中，EATDer的输出即为变化检测的预测结果。

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。