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！

龙图腾网获悉西安理工大学申请的专利基于在线梯度提升的SAR图像场景分类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：CN114781528B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202210455049.0，技术领域涉及：G06V10/764；该发明授权基于在线梯度提升的SAR图像场景分类方法是由赵志强;王耀中;贾萌;王晓帆;黑新宏设计研发完成，并于2022-04-24向国家知识产权局提交的专利申请。

本基于在线梯度提升的SAR图像场景分类方法在说明书摘要公布了：本发明公开了基于在线梯度提升的SAR图像场景分类方法，具体通过在CNN末尾添加一个嵌入层，将嵌入层划分为多个子嵌入，并在每个子嵌入之后添加一个分类器；训练过程中通过在线梯度提升对分类器进行训练，同时在每个子嵌入之间添加一个回归器，利用回归器将不同子嵌入内嵌入特征映射至同一特征空间，在该空间里学习一个基于Pearson相关系数的度量函数。在测试时忽略回归器，通过加权投票法集成每个分类器的预测。本发明所提出的基于在线梯度提升的SAR图像场景分类方法可以使CNN重点学习复杂的SAR场景图像，此外还使CNN学习到更多同类别SAR场景之间的多样性信息；使CNN从SAR图像中提取出判别性更强的特征。

本发明授权基于在线梯度提升的SAR图像场景分类方法在权利要求书中公布了：1.基于在线梯度提升的SAR图像场景分类方法，其特征在于，具体操作步骤如下：步骤1、利用随机采样法构造SAR数据集，并使用随机裁剪，随机水平翻转方式对数据集进行扩增；通过双线性插值方法将大小为200×200像素SAR场景图像调整为128×128像素大小；步骤2、在卷积神经网络CNN末尾添加一个嵌入层，并将其划分为多个不重叠子嵌入，且这些子嵌入之间共享权值，在每个子嵌入之后添加一个分类器；步骤2具体如下：对于步骤1中包含N个样本的SAR数据集，其中代表数据样本，代表每个样本的标签；利用CNN从SAR图像内提取特征，将其传入嵌入层内得到相应的子嵌入向量，并根据每个子嵌入向量得到相应分类器，K为子嵌入和分类器的个数，子嵌入和分类的个数一致；步骤3、在每两个子嵌入之间添加一个回归器，并在每个回归器和子嵌入之间添加梯度翻转层，通过所述回归器将两个子嵌入中特征向量映射至同一个特征空间，并在该空间内学习一个基于Pearson相关系数的总度量函数；步骤3所述基于Pearson相关系数的总度量函数为： （1）其中代表SAR数据集中第n个样本，代表权重参数，代表子嵌入i和j之间的基于Pearson相关系数的度量函数；对于子嵌入i和子嵌入j，通过在二者之间添加回归器，将子嵌入j内的嵌入向量映射至子嵌入i所在的空间，并在该空间内学习基于Pearson相关系数的度量函数： （2）其中，和分别代表子嵌入i和j中的嵌入向量；代表将子嵌入j内的嵌入向量映射至子嵌入i所在空间的回归器，代表子嵌入j所在空间的维度；代表两个特征向量的Pearson相关系数；对于向量和二者Pearson相关系数为： （3） 相当于向量a，相当于向量b；其中，和分别代表向量a和b的均值，取值范围是[-1,1]，当=0时代表向量a和b没有线性关系；为了避免回归器和嵌入层内权重参数为0导致所述基于Pearson相关系数的度量函数为0的情况，对每两个子嵌入间的度量函数施加约束： （4）其中操作符表示，即在和0之间求最大值；代表嵌入层中权重，和b分别代表回归器中权重和偏置；步骤4、通过在线梯度提升算法对步骤2中每个分类器进行迭代训练，前向传播时将每个分类器的损失函数加权累加，得到整个集成损失，并将集成损失与步骤3所述基于Pearson相关系数的度量函数结合得到新的损失函数；步骤5、反向传播时，首先根据步骤4所述集成损失更新每个分类器对应的权重，其次步骤3所述梯度翻转层将翻转基于Pearson相关系数的度量函数的梯度符号；步骤6、训练完成后，通过将每个子嵌入的预测输入softmax函数，并将softmax函数输出的概率结果通过加权投票法进行加权集成，得到最终集成后的预测结果。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。