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！

龙图腾网恭喜福州大学申请的专利一种基于孪生图神经网络的城市场景变化检测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：CN117173575B 。

龙图腾网通过国家知识产权局官网在2025-05-20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：202311196705.0，技术领域涉及：G06V20/10；该发明授权一种基于孪生图神经网络的城市场景变化检测方法是由李蒙蒙;楼康凯;汪小钦设计研发完成，并于2023-09-16向国家知识产权局提交的专利申请。

本一种基于孪生图神经网络的城市场景变化检测方法在说明书摘要公布了：本发明提供了一种基于孪生图神经网络的城市场景变化检测方法。场景变化检测是以场景作为基本分析粒度检测双时相影像中的变化区域的方法，而本方法的核心是利用图神经网络优越的信息聚合能力和结构特征抽象能力，融合图节点的属性信息的并挖掘场景深层结构特征，解决传统方法无法充分利用影像结构信息的问题；此外还集成了注意力机制、节点特征交互模块和图特征交互模块，对提取的图级别信息做相似性建模的同时补充节点级的细粒度信息，减少了漏检和误检现象。本发明提出的孪生图神经网络扩展性较强，可以自由替换结构特征提取网络，同时支持不同属性特征的输入和比较，为高效获取遥感影像中的城市土地利用变化信息提供技术支撑。

本发明授权一种基于孪生图神经网络的城市场景变化检测方法在权利要求书中公布了：1.一种基于孪生图神经网络的城市场景变化检测方法，其特征在于基于孪生图神经网络和特征交互模块，包括以下步骤：步骤S1：获取研究区双时相高分辨率遥感影像，对影像进行预处理，包括辐射校正、正射校正、大气校正、影像融合、影像配准和影像重采样操作；步骤S2：对经过预处理的影像做滑窗裁剪，获得指定大小的场景样本；选择影像分割算法对场景样本做超像素分割获得场景超像素分割结果；基于超像素分割结果对场景样本进行图结构构建；步骤S3：基于步骤S2中构建的图结构，结合原始场景影像提取每个节点的属性特征；将双时相的节点的属性特征和图结构作为输入，利用孪生图神经融合节点的属性信息，提取场景的深层结构特征；步骤S4：基于步骤S3中提取的图节点的结构特征进行图相似性建模和节点特征交互；具体地，图相似性建模通过基于内积的注意力机制先对节点特征进行图池化输出图向量表征，利用神经张量网络NeuralTensorNetwork建模双时相图向量表征的相似性得到图级交互结果；节点交互操作通过逐节点计算双时相节点特征内积构造节点特征交互矩阵，统计其直方图特征得到节点交互结果；拼接节点级交互结果和图级交互结果用于检测变化；步骤S5：结合真实场景样本标签训练模型，使用二分类交叉熵损失函数计算模型预测结果与标签的差异指导模型参数调优；步骤S6：将训练得到的模型权重用于步骤S2获取的场景样本变化检测，拼接检测结果完成整个区域的检测；步骤S2中具体包括以下步骤：步骤S21：利用滑窗裁剪将研究区域的遥感影像裁剪为固定大小的场景图片，选择影像分割算法对场景图片进行超像素分割，通过参数调整获得较为理想的分割结果；步骤S22：基于超像素分割结果，将场景中每个超像素对象视为图节点，构建区域邻接图，具体地，对于空间上相邻的超像素对象，其邻接关系定义为1，不相邻的对象之间的邻接关系定义为0，邻接矩阵计算公式表述如下： 式中，Aij表示对象i和对象j的邻接关系；步骤S3中具体包括以下步骤：步骤S31：结合双时相场景原始影像，提取图节点的属性特征作为孪生图神经网络的特征输入；属性特征提取通过特征工程和深度学习两种方法，其中特征工程法指利用专家知识人工设计图像特征以及HOG低层级视觉特征，专家知识人工设计图像特征包括光谱、纹理、几何特征，HOG低层级视觉特征包括尺度不变特征SIFT、方向梯度直方图特征；而深度学习法主要基于一个预训练后的深度神经网络自动的提取高层级语义特征；步骤S32：以图采样和聚合网络GraphSAGE作为信息传递更新和结构特征提取的主干网络，构建一个具有两个共享权重分支的结构特征编码器，每个编码器中堆叠有多层图神经结构，将步骤S31提取的属性特征输入结构特征编码器中提取场景深层结构特征；步骤S4中具体包括以下步骤：步骤S41：节点交互模块首先计算两个矩阵的乘积，并对计算结果做Sigmoid映射，得到节点特征交互矩阵，其中每一个元素代表了对应节点的相似性，指定区间数后，统计其直方图特征作为节点特征交互结果；步骤S42：先利用基于内积的注意力机制对图节点特征进行图池化输出图向量表征，具体地，分别计算双时相节点特征均值，并逐节点计算与特征均值的内积，对计算结果做Sigmoid映射，用映射结果代表每个节点特征与均值的相似性；映射结果越接近1，相关性越高，反之越低；步骤S43：利用神经张量网络对步骤S42获得的图向量表征进行相关性建模，神经张量网络的计算公式为： 式中，e1和e2分别表示双时相图向量表征，g表示双时相图向量表征的相似性建模结果，f为激活函数，W为张量切片，用于建模e1和e2的相似性，K为超参数，用于设置张量切片的数量，V是权重矩阵，b为偏置向量；步骤S44：拼接步骤S41和步骤S43的交互结果用于后续变化检测。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。