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！

龙图腾网恭喜哈尔滨工业大学申请的专利一种基于深度学习的空间目标图像数据增强方法及系统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：CN118411299B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202410489822.4，技术领域涉及：G06T5/60；该发明授权一种基于深度学习的空间目标图像数据增强方法及系统是由张泽旭;张凡;宋卓设计研发完成，并于2024-04-23向国家知识产权局提交的专利申请。

本一种基于深度学习的空间目标图像数据增强方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的空间目标图像数据增强方法及系统，涉及图像数据增强技术领域。本发明的技术要点包括：首先，基于仿真软件获取空间目标图像数据集；然后，构建基于神经网络的风格迁移模型，并将所述空间目标图像数据集输入所述风格迁移模型中进行训练；最后，利用训练好的风格迁移模型对在轨空间目标数据进行数据增强处理。本发明通过神经风格迁移技术对数据集中的目标表面纹理进行随机生成，弱化纹理与位姿之间的关系，使神经网络更加关注目标的整体结构，使其对不同的光学环境都有极高的适应能力。

本发明授权一种基于深度学习的空间目标图像数据增强方法及系统在权利要求书中公布了：1.一种基于深度学习的空间目标图像数据增强方法，其特征在于，包括以下步骤：获取空间目标图像数据集；构建基于神经网络的风格迁移模型，并将所述空间目标图像数据集输入所述风格迁移模型中进行训练，获取训练好的风格迁移模型；所述基于神经网络的风格迁移模型包括风格预测模块、风格转化模块和风格内容损失计算模块；其中，所述风格预测模块用于采用InceptionV3模型进行预测，获得输入图像的风格特征向量，所述风格特征向量用于描述图像风格；所述风格转化模块用于将所述风格特征向量和空间目标图像输入卷积神经网络中进行处理，获取风格转换图；所述风格内容损失计算模块用于通过卷积神经网络逐层处理所述风格转换图、风格图及原始的空间目标图像，来计算风格转换图与风格图之间的风格误差、风格转换图与原始的空间目标图像之间的内容误差，其中，风格图来自于已有的开源数据集；所述风格误差的计算公式为： 式中，x表示风格转换图；s表示风格图；ni表示第i个风格图对应的神经元数量；表示该特征图fi·的Gram矩阵；所述内容误差的计算公式为： 式中，c表示原始的空间目标图像；nj表示第j个空间目标图像对应的神经元数量；fj·表示特征图；风格预测模块采用InceptionV3模型中mixed6e模块，mixed6e模块包含四个分支：分支一包括一个1x1卷积；分支二首先通过1x1卷积进行特征降维，随后通过一个3x3卷积核进行特征提取；分支三首先通过1x1卷积进行特征降维，随后通过2个3x3卷积核进行特征提取；分支四包括一个最大池化层，随后是1x1卷积；对mixed6e的输出进行一个全局平均池化，再使用一个1x1的卷积层对通道数进行降低，将降低后的多维向量作为风格特征向量；风格转化模块包括三个卷积层，第一个卷积层使用9x9的卷积核，步长为1，产生32个特征图，使用ReLU激活函数和SAMEpadding；第二个卷积层使用3x3的卷积核，步长为2，产生64个特征图，使用ReLU激活函数和SAMEpadding；第三个卷积层再次使用3x3的卷积核，步长为2，特征图增加到128，使用ReLU激活函数和SAMEpadding；之后有六个残差块，每个残差块包含多个卷积层，其输出与输入进行元素相加，所有的残差块都保持128个特征图；之后有两个上采样层，第一个上采样将特征图的数量减少到64，第二个进一步减少到32；最后是一个9x9的卷积核，步长为1，特征图减少到3，使用Sigmoid激活函数和SAMEpadding；除了前三层外所有卷积层都执行条件归一化操作；利用训练好的风格迁移模型对在轨空间目标数据进行数据增强处理。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。