申请/专利权人：宁波大学

申请日：2023-11-16

公开（公告）日：2024-03-19

公开（公告）号：CN117725252A

主分类号：G06F16/583

分类号：G06F16/583;G06F16/51;G06V20/13;G06V10/74;G06V10/764;G06V10/80;G06N5/045;G06N3/045;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种可解释性深度网络的卫星云图多标签哈希检索方法，涉及卫星云图多标签检索领域，将目标云图输入至预先训练好的可解释性深度网络得到目标哈希码；利用目标哈希码及各历史云图的哈希码进行相似度测量检索出与目标云图相似的历史云图；可解释性深度网络包括特征学习模块及哈希学习模块，特征学习模块包括全局特征学习模块及局部特征学习模块，局部特征学习模块包括注意分支网络及抑制模块，注意力分支网络提升了特征提取的有效性，抑制模块可逐步发现其他互补区域以赋予各局部特征特有语义信息，令检索具有一定可解释性，多标签监督机制引入哈希学习模块可更好描述卫星云图复杂的语义内容，提高检索效率，实现了卫星云图的精确检索。

主权项：1.一种可解释性深度网络的卫星云图多标签哈希检索方法，其特征在于，包括：将获取到的目标云图作为输入项输入至预先训练好的可解释性深度网络，以得到所述目标云图的目标哈希码，其中，所述可解释性深度网络包括用于生成所述目标云图的具有可解释性的融合特征的特征学习模块及用于生成所述目标哈希码的哈希学习模块，所述特征学习模块包括全局特征学习模块及局部特征学习模块，所述全局特征学习模块为用于学习表征所述目标云图的单个全局语义特征的单元，所述局部特征学习模块为用于学习所述目标云图中不同区域内的多个云类型的局部语义特征的单元，进而将所述全局特征学习模块的输出与局部特征学习模块的输出进行拼接组合后得到所述融合特征；所述局部特征学习模块包括多个局部分支，每个所述局部分支中包括注意分支网络及抑制模块，得到多个用于表述不同区域内的多个云类型的局部语义信息的局部特征，从而利用所述融合特征生成所述目标哈希码；所述哈希学习模块中引入了多标签监督机制；根据所述目标哈希码及历史云图数据库中各历史云图的哈希码进行相似度测量，检索出与所述目标云图相似的历史云图。

全文数据：

权利要求：

百度查询： 宁波大学 一种可解释性深度网络的卫星云图多标签哈希检索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD