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！

龙图腾网获悉杭州海康威视数字技术股份有限公司;浙江工业大学申请的专利一种多尺度特征引导下的建筑物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：CN115294462B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202210623808.X，技术领域涉及：G06V20/13；该发明授权一种多尺度特征引导下的建筑物变化检测方法是由杨海平;陈媛媛;吴炜;浦世亮;武晓阳;万其明设计研发完成，并于2022-06-02向国家知识产权局提交的专利申请。

本一种多尺度特征引导下的建筑物变化检测方法在说明书摘要公布了：本发明提出了一种多尺度特征引导下的建筑物变化检测方法，包括：用建筑物数据集训练用于建筑物特征提取的深度卷积神经网络；提取建筑物变化检测数据集中变化检测影像对的多尺度建筑物特征；训练并优选基于多尺度特征融合的变化检测模型；检测同一地点不同时相的影像对中变化的建筑物，获得变化结果的预测概率图并进行二值化处理，最后可将结果图进行矢量化，得到包含变化建筑物的矢量文件。本发明充分利用了深度卷积神经网络来提取建筑物特征，减少了变化检测过程中背景的干扰；同时，多尺度建筑物特征能引导网络专注于建筑物识别，保证了预测建筑物的完整性，降低了伪变化的产生，从而提高建筑物变化检测的精度。

本发明授权一种多尺度特征引导下的建筑物变化检测方法在权利要求书中公布了：1.一种多尺度特征引导下的建筑物变化检测方法，其特征在于，包含以下步骤： 步骤1、训练用于提取建筑物特征的深度卷积神经网络，得到多尺度建筑物特征提取模型BM： 采用建筑物数据集训练深度神经网络，其中，建筑物数据集包括卫星影像和对应的建筑物标签图； 所述的用于建筑物提取的深度卷积神经网络具有U-Net的“编码——解码”结构，编码器主要由五组卷积组成，每组卷积之间都有下采样操作，解码器包含了和编码器对应的五组卷积，每组卷积开始有和编码器对应尺度的通道拼接操作，每组卷积之间包含了上采样操作，把解码器中五组卷积输出的特征分别记为F1，F2，F3，F4和F5，在解码器的最后一层输出特征后面，使用1x1的卷积和Sigmod激活函数完成分类，网络采用的损失函数是二分类交叉熵，公式如下所示： lossbce＝-Yb*logPb-1-Yb*log1-Pb1 其中，Yb为建筑物标签图，Pb为预测概率图； 步骤2、提取建筑物变化检测数据集中变化检测影像对的多尺度建筑物特征： 建筑物变化检测数据集包括同一地点不同时相的影像对和相应的建筑物变化标签图，变化检测影像对特征提取方法如下：将同一地点不同成像时间的变化检测影像对A和B分别输入至由步骤1训练所得的多尺度建筑物特征提取模型BM中，分别计算步骤1所述解码器的五组卷积F1，F2，F3，F4和F5，作为变化检测影像对A和B的多尺度建筑物特征AF＝{AFi|i＝1,2,3,4,5}和BF＝{BFi|i＝1,2,3,4,5}； 步骤3、训练并优选基于多尺度特征融合的变化检测模型： 31将步骤2所得建筑物变化检测数据集中变化检测影像对的多尺度建筑物特征和步骤2中所述变化检测影像对的标签图用于变化检测网络的训练，变化检测网络包括特征融合模块和变化检测模块； 在特征融合模块中，采用通道拼接方式，按尺度逐层融合步骤2中所得的多尺度建筑物特征AF和BF，得到融合后的五组特征MF＝{MFi|i＝1,2,3,4,5}； 将融合特征MF＝{MFi|i＝1,2,3,4,5}和步骤2中所述变化检测影像对的标签图用于变化检测模块的训练； 变化检测模块包含了步骤1中所述的解码器部分，主要包括和输入多尺度特征对应的卷积层和相应尺度的通道拼接操作，在解码器的最后一层输出特征后面，使用1x1的卷积和Sigmod激活函数将最终特征图转化为建筑物变化检测的预测概率图Pc，变化检测网络采用的损失函数losscd如下所示： losscd＝α*lossbce+1-α*lossdice2 其中，α表示权重，lossbce是步骤1中所述的二分类交叉熵，lossdice为Dice损失函数，其公式如下： 其中，Yc为变化检测标签图，Pc为建筑物变化检测的预测概率图； 32选择建筑物变化检测模型CM： 选择在验证集上F1值最高的变化检测模型作为预测模型，F1值的计算方式如下所示： 其中，Precision为精确率，Recall为召回率，它们的计算方法如下所示： 其中，TP为预测正确的变化建筑物像素数目，FP是预测错误的变化建筑物像素数目，FN是是预测错误的背景像素数目； 步骤4、检测变化的建筑物：采用图片表达形式，或者矢量表达形式； 所述的图片表达形式，包括： 41将同一地点不同时相的待检测影像对输入到步骤1所得的多尺度建筑物特征提取模型BM中，按照步骤2所述方法计算影像对的多尺度建筑物特征AF和BF，并将多尺度建筑物特征AF和BF输入到步骤32所得的变化检测模型CM中，由此可得建筑物变化检测的预测概率图P； 42对步骤41所得预测概率图P进行二值化，可得建筑物变化检测结果图I，二值化公式如下： 其中，255表示变化的建筑物，0表示不变的区域，τ表示二值化的阈值，p表示预测概率图P中的任一像素值； 所述的矢量表达形式包括：将建筑物变化检测结果图I矢量化，得到变化建筑物的矢量文件VI。

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杭州海康威视数字技术股份有限公司;浙江工业大学，其通讯地址为：310051 浙江省杭州市滨江区阡陌路555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。