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！

龙图腾网获悉深圳市南湖勘测技术有限公司申请的专利无人机遥感影像分类模型的构建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：CN119399655B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202411484395.7，技术领域涉及：G06V20/17；该发明授权无人机遥感影像分类模型的构建方法是由胡继明;陈林;李伟;赵薛强;罗志龙;孙艳;朱小宜;曾凯彬;陈章兴;周绍璞;杨海霞;朱起波;何勤玲;胡蓉;黄芬芬;张日梅;刘敏;胡卓设计研发完成，并于2024-10-23向国家知识产权局提交的专利申请。

本无人机遥感影像分类模型的构建方法在说明书摘要公布了：本发明涉及无人机遥感影像分类模型的构建方法。基于层级特征分解的遥感影像结构化表示；通过金字塔分解算法将无人机影像划分为不同层次的图像块，针对每个层次的特征进行层次化组合，通过特征加权机制形成多尺度的结构化特征向量；融合空间拓扑关系的动态特征捕捉：在构建图结构后，使用图卷积网络GCN对各个节点进行特征聚合，传播空间关系信息，使得每个节点的特征包含自身信息，以及融合周边地物的影响；对于多时态影像数据，引入动态图卷积网络D‑GCN，对不同时刻的空间关系进行建模，捕捉地物随时间的变化及其对分类的影响；地物特征的自监督聚类学习：对于难以区分的地物，通过引入软聚类方法，使得地物同时归属多个类别。

本发明授权无人机遥感影像分类模型的构建方法在权利要求书中公布了：1.无人机遥感影像分类模型的构建方法，其特征在于：S1、基于层级特征分解的遥感影像结构化表示：S1.1、通过金字塔分解算法将无人机影像划分为不同层次的图像块，每个图像块代表单个不同的空间分辨率；S1.2、在每个层级上，通过特征聚类和边缘检测方法提取不同尺度下的关键特征；S1.3、针对每个层次的特征进行层次化组合，通过特征加权机制形成多尺度的结构化特征向量；S2、融合空间拓扑关系的动态特征捕捉：S2.1、利用S1中层级特征分解结果，将影像中每个区域块作为图的节点，节点间的边代表不同区域块之间包括距离、形状相似性的拓扑关系；S2.2、在构建图结构后，使用图卷积网络GCN对各个节点进行特征聚合，传播空间关系信息，使得每个节点的特征包含自身信息，以及融合周边地物的影响；S2.3、对于多时态影像数据，引入动态图卷积网络D-GCN，对不同时刻的空间关系进行建模，捕捉地物随时间的变化及其对分类的影响；S3、地物特征的自监督聚类学习：S3.1、使用自监督学习框架在无人标注数据上进行对比学习，学习影像中各类地物特征的内部结构和相似性；S3.2、在自监督特征学习完成后，采用基于特征距离的聚类算法对地物特征进行聚类，将相似地物归为一类；S3.3、对于难以区分的地物，通过引入软聚类方法，使得地物同时归属多个类别；所述融合空间拓扑关系的动态特征捕捉方法包括：采用几何中心之间的欧氏距离来计算区域块之间的空间距离；反映近邻节点对拓扑结构的影响，引入非线性函数来对空间距离进行权重调整；非线性距离函数的定义如下： 其中，是节点i和节点j之间的空间距离权重，dij表示两个节点几何中心之间的欧氏距离，计算公式为： 其中xi,yi为节点i的位置坐标，xj,yj为节点j的位置坐标；常数k1是个距离调节系数，控制距离的缩放效果；函数确保在相对较近节点之间形成相对较大的边权重，而远距离节点的权重则逐渐减弱；采用基于余弦相似度的形状相似性计算方法；捕捉到区域块之间的局部几何差异，并确保形状相似的区域块在图结构中具有更高的连接权重；通过空间距离和形状相似性计算后，已构建的图结构将作为输入送入图神经网络GCN；GCN通过在节点之间传播信息，特征的递归更新；每个节点的特征基于其自身信息进行更新，以及结合邻居节点的信息进行特征融合和传播。

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深圳市南湖勘测技术有限公司，其通讯地址为：518116 广东省深圳市龙岗区龙岗街道南联社区爱南路136号十楼1001；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”。