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！

龙图腾网获悉国家海洋环境监测中心申请的专利一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取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：CN115578645B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202211084666.0，技术领域涉及：G06V20/13；该发明授权一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取方法是由范剑超;于航;高宁;周健林;马玉娟;王祥设计研发完成，并于2022-09-06向国家知识产权局提交的专利申请。

本一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取方法在说明书摘要公布了：一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取方法，首先，对SAR影像进行预处理，增强养殖信息显著性差异特征；其次，构建具有正向训练网络与逆向训练网络的循环一致性生成对抗网络，实现标签的重复利用，并且增加半监督判别器，将正向训练网络与逆向训练网络相结合，通过生成伪标签来加强训练，实现以逆向训练网络的输出来加强正向训练网络的目的；最后，使用偏置卷积块加强养殖区模糊边界的分割效果，提高养殖信息提取的精度。本发明能够解决制作标签无法重复利用的问题，利用搭建的半监督判别器能够解决因训练过程中混淆标签而导致养殖预测图精度不高的问题；可利用该方法对SAR影像进行浮筏养殖信息提取工作。

本发明授权一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取方法在权利要求书中公布了：1.一种半监督循环一致性生成对抗网络的SAR影像浮筏养殖信息提取方法，其特征在于，所述的SAR影像浮筏养殖信息提取方法，首先，对SAR影像进行预处理，增强养殖信息显著性差异特征；其次，构建具有正向训练网络与逆向训练网络的循环一致性生成对抗网络，实现标签的重复利用，并且增加半监督判别器，将正向训练网络与逆向训练网络相结合，通过生成伪标签来加强训练，提高养殖信息的提取精度，并且改善小目标养殖区漏检问题，实现以逆向训练网络的输出来加强正向训练网络的目的；最后，使用偏置卷积块加强养殖区模糊边界的分割效果，提高养殖信息提取的精度；包括以下步骤： 第一步，获取SAR遥感影像数据，并对遥感影像进行预处理； 第二步，搭建循环一致性生成对抗网络模型； 循环一致性生成对抗网络是一种改进的生成对抗网络GAN模型，用于学习无配对信息的图像到图像转换；该模型在没有配对信息的情况下提取遥感图像的语义特征，并在保留这些语义特征的情况下将数据集转换为另一种类型的数据集；所述的循环一致性生成对抗网络在进行浮筏养殖信息提取工作时，使用相同的标签来训练不同的SAR遥感图像，实现标签重复利用；将预处理后的浮筏养殖SAR影像输入到循环一致性生成对抗网络中进行语义分割任务；所述的循环一致性生成对抗网络包括正向训练网络与逆向训练网络两组网络，该模型使用与两个生成器，、与三个判别器； 2.1搭建正向训练网络模型，正向训练网络使用生成器、生成器和判别器；首先，生成器的输入是经过预处理并裁剪的遥感图像，输出的是分割图，接着将分割图输入到生成器中，最后生成器输出养殖重构图；判别器的输入是分割图与标签，判别器的输出是用于判别真假的0至1间的分数；判别器与生成器相互对抗优化，通过反向传播指导生成器生成更加精确的养殖预测图； 生成器和判别器目标函数如下式10所示： 10； 其中，为遥感图像，为标签，生成分割图，而会对与标签进行区分；的目标是最大化目标函数的期望，而训练的目的是最小化目标函数的期望；二者相互对抗学习，使得生成器能够生成效果更好的分割图，最终成功使得判别器无法区分生成器生成的分割图和标签； 再后将生成器生成的分割图输入到生成器中，生成器输出的是养殖重构图，使用循环一致性损失减少生成的养殖重构图与遥感图像的语义信息差异，保持语义信息的一致性,循环一致性损失函数如下式11所示： 11； 其中，为养殖重构图； 通过搭建正向训练网络模型，使得与相互对抗迭代优化，并且引入循环一致性损失，减少养殖重构图语义信息丢失，保持训练过程中的循环一致性； 2.2搭建逆向训练网络模型，逆向训练网络使用生成器、生成器和判别器，虽然逆向训练网络同样使用了生成器与生成器，但是使用的顺序不同，并且和正向训练网络并不共享权重；首先将标签输入到生成器中，输出遥感预测图，判别器的输入是与遥感图像，判别器的输出是用于判别真假的0至1间的分数；生成器和判别器目标函数如下式12所示： 12； 其中，通过生成器输出遥感预测图，而会对遥感预测图与遥感图像进行区分；的目标是最大化目标函数期望，而训练的目标是最小化目标函数期望；二者相互对抗优化，最终使得判别器无法区分真实遥感图像和遥感预测图；接着将遥感预测图输入到生成器中，输出标签重构图，最小化循环一致性损失缩小与标签的逐像素距离，损失函数如下式13所示： 13； 通过搭建逆向训练网络模型，使用循环一致性损失减小标签重构图与标签间的语义信息丢失，保持训练过程中的语义信息一致性； 第三步，搭建半监督判别器，将逆向训练网络生成的标签重构图作为伪标签与正向训练网络生成的分割图一起输入到半监督判别器中，输出为用于区分真假的0至1间的分数，目标函数如下式14所示： 14； 生成器与半监督判别器相互对抗升级，训练最大化目标函数期望，训练以最小化目标函数期望，最终使得无法区分作为伪标签的标签重构图与分割图，使用伪标签来加强训练，从而指导生成更加逼真的图像； 第四步，网络总目标函数如公式15所示: 15； 其中，为控制半监督损失超参数，为控制循环一致性损失超参数，加入半监督判别器将正向训练网络与逆向训练网络相结合，提升模型生成分割图的精度； 生成器与判别器不断交替优化训练，直到模型收敛，当达到平衡状态后，仅保留生成器，去掉判别器，使用生成器来生成分割图。

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国家海洋环境监测中心，其通讯地址为：116023 辽宁省大连市沙河口区凌河街42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。