買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜福州大學(xué)申請(qǐng)的專利一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN117173575B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-20發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202311196705.0，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法是由李蒙蒙;樓康凱;汪小欽設(shè)計(jì)研發(fā)完成，并于2023-09-16向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法在說明書摘要公布了：本發(fā)明提供了一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法。場(chǎng)景變化檢測(cè)是以場(chǎng)景作為基本分析粒度檢測(cè)雙時(shí)相影像中的變化區(qū)域的方法，而本方法的核心是利用圖神經(jīng)網(wǎng)絡(luò)優(yōu)越的信息聚合能力和結(jié)構(gòu)特征抽象能力，融合圖節(jié)點(diǎn)的屬性信息的并挖掘場(chǎng)景深層結(jié)構(gòu)特征，解決傳統(tǒng)方法無法充分利用影像結(jié)構(gòu)信息的問題；此外還集成了注意力機(jī)制、節(jié)點(diǎn)特征交互模塊和圖特征交互模塊，對(duì)提取的圖級(jí)別信息做相似性建模的同時(shí)補(bǔ)充節(jié)點(diǎn)級(jí)的細(xì)粒度信息，減少了漏檢和誤檢現(xiàn)象。本發(fā)明提出的孿生圖神經(jīng)網(wǎng)絡(luò)擴(kuò)展性較強(qiáng)，可以自由替換結(jié)構(gòu)特征提取網(wǎng)絡(luò)，同時(shí)支持不同屬性特征的輸入和比較，為高效獲取遙感影像中的城市土地利用變化信息提供技術(shù)支撐。

本發(fā)明授權(quán)一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法在權(quán)利要求書中公布了：1.一種基于孿生圖神經(jīng)網(wǎng)絡(luò)的城市場(chǎng)景變化檢測(cè)方法，其特征在于基于孿生圖神經(jīng)網(wǎng)絡(luò)和特征交互模塊，包括以下步驟：步驟S1：獲取研究區(qū)雙時(shí)相高分辨率遙感影像，對(duì)影像進(jìn)行預(yù)處理，包括輻射校正、正射校正、大氣校正、影像融合、影像配準(zhǔn)和影像重采樣操作；步驟S2：對(duì)經(jīng)過預(yù)處理的影像做滑窗裁剪，獲得指定大小的場(chǎng)景樣本；選擇影像分割算法對(duì)場(chǎng)景樣本做超像素分割獲得場(chǎng)景超像素分割結(jié)果；基于超像素分割結(jié)果對(duì)場(chǎng)景樣本進(jìn)行圖結(jié)構(gòu)構(gòu)建；步驟S3：基于步驟S2中構(gòu)建的圖結(jié)構(gòu)，結(jié)合原始場(chǎng)景影像提取每個(gè)節(jié)點(diǎn)的屬性特征；將雙時(shí)相的節(jié)點(diǎn)的屬性特征和圖結(jié)構(gòu)作為輸入，利用孿生圖神經(jīng)融合節(jié)點(diǎn)的屬性信息，提取場(chǎng)景的深層結(jié)構(gòu)特征；步驟S4：基于步驟S3中提取的圖節(jié)點(diǎn)的結(jié)構(gòu)特征進(jìn)行圖相似性建模和節(jié)點(diǎn)特征交互；具體地，圖相似性建模通過基于內(nèi)積的注意力機(jī)制先對(duì)節(jié)點(diǎn)特征進(jìn)行圖池化輸出圖向量表征，利用神經(jīng)張量網(wǎng)絡(luò)NeuralTensorNetwork建模雙時(shí)相圖向量表征的相似性得到圖級(jí)交互結(jié)果；節(jié)點(diǎn)交互操作通過逐節(jié)點(diǎn)計(jì)算雙時(shí)相節(jié)點(diǎn)特征內(nèi)積構(gòu)造節(jié)點(diǎn)特征交互矩陣，統(tǒng)計(jì)其直方圖特征得到節(jié)點(diǎn)交互結(jié)果；拼接節(jié)點(diǎn)級(jí)交互結(jié)果和圖級(jí)交互結(jié)果用于檢測(cè)變化；步驟S5：結(jié)合真實(shí)場(chǎng)景樣本標(biāo)簽訓(xùn)練模型，使用二分類交叉熵?fù)p失函數(shù)計(jì)算模型預(yù)測(cè)結(jié)果與標(biāo)簽的差異指導(dǎo)模型參數(shù)調(diào)優(yōu)；步驟S6：將訓(xùn)練得到的模型權(quán)重用于步驟S2獲取的場(chǎng)景樣本變化檢測(cè)，拼接檢測(cè)結(jié)果完成整個(gè)區(qū)域的檢測(cè)；步驟S2中具體包括以下步驟：步驟S21：利用滑窗裁剪將研究區(qū)域的遙感影像裁剪為固定大小的場(chǎng)景圖片，選擇影像分割算法對(duì)場(chǎng)景圖片進(jìn)行超像素分割，通過參數(shù)調(diào)整獲得較為理想的分割結(jié)果；步驟S22：基于超像素分割結(jié)果，將場(chǎng)景中每個(gè)超像素對(duì)象視為圖節(jié)點(diǎn)，構(gòu)建區(qū)域鄰接圖，具體地，對(duì)于空間上相鄰的超像素對(duì)象，其鄰接關(guān)系定義為1，不相鄰的對(duì)象之間的鄰接關(guān)系定義為0，鄰接矩陣計(jì)算公式表述如下： 式中，Aij表示對(duì)象i和對(duì)象j的鄰接關(guān)系；步驟S3中具體包括以下步驟：步驟S31：結(jié)合雙時(shí)相場(chǎng)景原始影像，提取圖節(jié)點(diǎn)的屬性特征作為孿生圖神經(jīng)網(wǎng)絡(luò)的特征輸入；屬性特征提取通過特征工程和深度學(xué)習(xí)兩種方法，其中特征工程法指利用專家知識(shí)人工設(shè)計(jì)圖像特征以及HOG低層級(jí)視覺特征，專家知識(shí)人工設(shè)計(jì)圖像特征包括光譜、紋理、幾何特征，HOG低層級(jí)視覺特征包括尺度不變特征SIFT、方向梯度直方圖特征；而深度學(xué)習(xí)法主要基于一個(gè)預(yù)訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)自動(dòng)的提取高層級(jí)語義特征；步驟S32：以圖采樣和聚合網(wǎng)絡(luò)GraphSAGE作為信息傳遞更新和結(jié)構(gòu)特征提取的主干網(wǎng)絡(luò)，構(gòu)建一個(gè)具有兩個(gè)共享權(quán)重分支的結(jié)構(gòu)特征編碼器，每個(gè)編碼器中堆疊有多層圖神經(jīng)結(jié)構(gòu)，將步驟S31提取的屬性特征輸入結(jié)構(gòu)特征編碼器中提取場(chǎng)景深層結(jié)構(gòu)特征；步驟S4中具體包括以下步驟：步驟S41：節(jié)點(diǎn)交互模塊首先計(jì)算兩個(gè)矩陣的乘積，并對(duì)計(jì)算結(jié)果做Sigmoid映射，得到節(jié)點(diǎn)特征交互矩陣，其中每一個(gè)元素代表了對(duì)應(yīng)節(jié)點(diǎn)的相似性，指定區(qū)間數(shù)后，統(tǒng)計(jì)其直方圖特征作為節(jié)點(diǎn)特征交互結(jié)果；步驟S42：先利用基于內(nèi)積的注意力機(jī)制對(duì)圖節(jié)點(diǎn)特征進(jìn)行圖池化輸出圖向量表征，具體地，分別計(jì)算雙時(shí)相節(jié)點(diǎn)特征均值，并逐節(jié)點(diǎn)計(jì)算與特征均值的內(nèi)積，對(duì)計(jì)算結(jié)果做Sigmoid映射，用映射結(jié)果代表每個(gè)節(jié)點(diǎn)特征與均值的相似性；映射結(jié)果越接近1，相關(guān)性越高，反之越低；步驟S43：利用神經(jīng)張量網(wǎng)絡(luò)對(duì)步驟S42獲得的圖向量表征進(jìn)行相關(guān)性建模，神經(jīng)張量網(wǎng)絡(luò)的計(jì)算公式為： 式中，e1和e2分別表示雙時(shí)相圖向量表征，g表示雙時(shí)相圖向量表征的相似性建模結(jié)果，f為激活函數(shù)，W為張量切片，用于建模e1和e2的相似性，K為超參數(shù)，用于設(shè)置張量切片的數(shù)量，V是權(quán)重矩陣，b為偏置向量；步驟S44：拼接步驟S41和步驟S43的交互結(jié)果用于后續(xù)變化檢測(cè)。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人福州大學(xué)，其通訊地址為：350108 福建省福州市閩侯縣福州大學(xué)城烏龍江北大道2號(hào)福州大學(xué)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。