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！

龙图腾网获悉辽宁师范大学申请的专利基于图transformer引导的多时相信息联合高光谱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：CN116843923B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202310710069.2，技术领域涉及：G06V10/58；该发明授权基于图transformer引导的多时相信息联合高光谱变化检测方法是由王相海;赵晓阳;李思瑶;耿婷婷;宋传鸣设计研发完成，并于2023-06-15向国家知识产权局提交的专利申请。

本基于图transformer引导的多时相信息联合高光谱变化检测方法在说明书摘要公布了：本发明公开了一种基于图transformer引导的多时相信息联合高光谱变化检测方法，通过构建拓扑结构图，使网络能够以半监督的学习模式，将标签传播至未标记的样本上，减少训练时对大量训练样本的依赖；提出显著关系强化的图transformer模块，该模块将transformer作用于以超像素为节点的图结构，实现在低计算成本的条件下，突破传统对邻接关系的定义，获取任意两个子区域间亲和关系，捕捉整幅影像中的变化信息；提出门控变化信息融合单元，旨在有效地将GTrans模块引导的变化特征注入原始双时相拼接特征，实现了多时项信息的有机融合。

本发明授权基于图transformer引导的多时相信息联合高光谱变化检测方法在权利要求书中公布了：1.一种基于图transformer引导的多时相信息联合高光谱变化检测方法，其特征在于依次按照如下步骤进行： 步骤1.记T1时相高光谱影像、T2时相高光谱影像，按公式1获取差分高光谱影像，其中H为影像高度、W为影像宽度、C为影像通道数： 1； 步骤2.对、和进行预处理：将、、的维度转换为，其中，采用封装好的数据标准化方法对转换维度的数据进行标准化处理，使它们符合正态分布，标准化后的数据依次记为、和； 步骤3.根据标签图构造训练集、验证集和测试集中的标签编码图与标签掩码图； 步骤3.1.随机抽取中1%的点作为训练数据，生成一个尺寸为的全0的二维数组，当位置上的点为变化像素时，为1；当位置上的点为不变像素时，为2，得到训练集标签图； 步骤3.2.再在剩余的点中随机抽取与训练数据相同个数的点作为验证数据，生成一个尺寸为的全0的二维数组，当位置上的点为变化像素时，为1；当位置上的点为不变像素时，为2，得到验证集标签图； 步骤3.3.余下中的点为测试数据，生成一个尺寸为的全0的二维数组，当位置上的点为变化像素时，为1；当位置上的点为不变像素时，为2，得到测试集标签图； 步骤3.4.对、和依次进行哑变量编码，即把图中位置上0点编码为00，图中位置上1点编码为10，图中位置上2点编码为01，并进一步将它们的尺寸转为，将分别得到训练集标签编码图、验证集标签编码图和测试集标签编码图； 步骤3.5.生成一个尺寸为的全1的二维数组，判断中每行像素的值，若第行中所有像素值都为0，则把中第行所有像素值修改为0，得到训练集标签掩码图； 步骤3.6.生成一个尺寸为的全1的二维数组，判断中每行像素的值，若第行中所有像素值都为0，则把中第行所有像素值修改为0，得到验证集标签掩码图； 步骤3.7.生成一个尺寸为的全1的二维数组，判断中每行像素的值，若第行中所有像素值都为0，则把中第行所有像素值修改为0，得到测试集标签掩码图； 步骤4.超像素分割X3 步骤4.1.将的值归一化至区间，并对其进行窗口大小为5×5的高斯滤波，再将其尺寸转换至，结果记为； 步骤4.2.调用封装的PCA函数，实现对的主成分分析，并取前三个主成分实现对的降维，结果记为； 步骤4.3.按式2处理，并将其值转换为uint8类型，尺寸转换为，结果记为： 2； 步骤4.4.对的每通道进行直方图均衡操作，并利用滤波函数增强其对比度，结果记为； 步骤4.5.调用封装的SuperpixelHierarchy函数，根据预定义的超像素分割块数，实现对的超像素分割，记分割后的结果为； 步骤5设网络总迭代次数，令，定义网络最优验证集损失为； 步骤5.1图编码 步骤5.1.1.定义对经具有1×1二维卷积的权重共享头部映射层后得到的特征图为，表示该特征图的通道数； 步骤5.1.2.基于构建像素级结构图，它具有个节点，且节点矩阵，中的第行代表中第个像素的特征； 步骤5.1.3.根据超像素分割的结果，定义超像素级结构图，它具有个节点，节点矩阵和邻接矩阵； 步骤5.1.4.设像素级结构图与超像素级结构图间的关联矩阵为，则的表达式如式3所示： 3； 步骤5.1.5.按式4和式5分别获得和，其中是常数，被设置为0.1： 4； 5； 步骤5.2.图卷积 步骤5.2.1定义经图卷积更新后的图为，那么的邻接矩阵更新规则如式6所示，其中，为归一化函数，，为批归一化函数，为需要学习的参数，代表哈达玛积运算，为可学习常数，为单位矩阵： 6 步骤5.2.2图的节点特征矩阵根据更新的可按式7计算所得，其中，为非线性激活函数，为的度矩阵，，，为需学习的参数，由简单的线性层获取： 7； 步骤5.3.按式8获取图中节点和边的嵌入特征，分别记为和： 8； 步骤5.4.利用GTrans模块进一步强化显著关系； 步骤5.4.1.令为中第个节点的嵌入特征，为中第个节点的嵌入特征，为节点与间邻接关系的强度，把它们作为GTrans模块的输入，并按照式9和式10进行计算，即可获得组成的； 9； 10； 其中，表示元素级点乘，表示矩阵乘法，,,,,均为可学习映射，尺寸为由线性层学习得到，为非线性激活函数； 步骤5.4.2.按式11进一步更新节点特征矩阵，更新后的记为，其中包含、、Dropout： 11； 步骤5.5.对按公式12进行图解码，得到，并转换至，记为： 12； 步骤5.6.利用门控变化信息融合单元有机联和多时相特征； 步骤5.6.1.定义对经具有1×1二维卷积的权重共享头部映射层后得到的特征图为 步骤5.6.2.拼接，得到 步骤5.6.3.拼接，得到 步骤5.6.4.按照公式13和公式14计算变化特征，其中，为重置门，为更新门，为激活函数，为分离操作，为卷积核为大小的二维卷积操作，为拼接操作，为双曲正切函数： 13； 14； 步骤5.7.将输入至定义如式15的尾部映射层，得到，其中为卷积核为大小的二维卷积操作，并将其尺寸转换为，得到训练集检测结果； 15； 步骤6.按公式16计算网络损失，其中，是在步骤3.4得到的训练集标签编码图，为在步骤3.5得到的训练集标签掩码图； 16； 步骤7.采用Adam优化器根据训练网络参数； 步骤8.当为5的倍数时，即时，对网络进行验证，根据网络对在步骤3.4得到的验证集标签编码图和在步骤3.6得到的验证集标签掩码图，得到验证集检测结果，并按公式17计算网络验证集损失； 17； 步骤9.判断当前是否小于，若小于，则保存当前作为，同时保存网络参数，否则无需操作； 步骤10.令，若，则返回步骤5.1继续训练网络，直至，网络训练完毕； 步骤11.将测试集输入到，得到测试集检测结果；利用torch.argmax函数获取每行的最大值索引，并将结果转换至尺寸，获得最终的检测结果。

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辽宁师范大学，其通讯地址为：116000 辽宁省大连市沙河口区黄河路850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。