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！

龙图腾网获悉哈尔滨理工大学申请的专利一种基于双支路的高光谱和LiDAR数据协同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：CN114429564B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202210018148.2，技术领域涉及：G06V10/764；该发明授权一种基于双支路的高光谱和LiDAR数据协同分类方法是由王爱丽;邢爽;姜开元;刘城洋;徐恺阳;吴海滨设计研发完成，并于2022-01-08向国家知识产权局提交的专利申请。

本一种基于双支路的高光谱和LiDAR数据协同分类方法在说明书摘要公布了：本发明一种基于双支路的高光谱和LiADR数据协同分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入已配准好的高光谱和LiDAR的.tif数据，将数据输入到双分支网络；使用剪枝方法对高光谱图像进行波段选择；分别对空间和光谱进行特征提取；采用空洞卷积对LiDAR分支进行特征提取；将高光谱图像分支和LiDAR数据分支所提取的特征进行拼接；最后使用softmax对拼接的特征进行分类，获得样本分类标签；本发明基于双支路的高光谱和LiADR数据协同分类方法，利用高光谱和LiDAR数据各自的特点，优势互补，提高分类精度。

本发明授权一种基于双支路的高光谱和LiDAR数据协同分类方法在权利要求书中公布了：1.一种基于双支路的高光谱和LiDAR数据协同分类方法，其特征在于，包括以下步骤： 步骤a、输入已配准好的高光谱和LiDAR的.GIF数据，将数据输入到双分支网络； 步骤b、使用剪枝方法对高光谱图像进行波段选择； 具体为：对高光谱分支，将整个HSI波段作为输入来训练原始网络参数；对于每个波段，将该分支网络中的所有参数进行综合以测量频带重要性；在新的波段意义因子约束下，对卷积神经网络进行剪枝，保留部分代表性权值，对小型子网络进行再训练，最终解决高光谱波段选择问题。 输入全波段HSI切片和网络结构，分为训练阶段和波段选择阶段，训练阶段：首先，随机初始化CNN模型参数。然后，用所有波段训练CNN模型，直到精度趋于平稳。波段选择阶段：首先对于每个波段，计算波段意义因子。然后计算最小波段意义因子的剪枝带及其对应的核矩阵。然后重新训练修剪过的子网络以恢复精度，通过去除修剪参数来细化网络。 计算波段意义因子，设B表示HSI波段的数量，HW表示输入切片的高度宽度，N表示输出特征图的数量。第一卷积层将输入的HSI切片转换为特征映射，这是通过采用N×B的2D核来实现的，在HSI切片上，其可表示为： 其中，*表示卷积操作，Xj表示第j波段图像，Yi是由第一层生成的特征映射。所有核构成核矩阵因为带有更小的核权值的波段往往会产生与其他波段相比具有弱激活的特征图，将HSI中j波段的波段意义因子定义为其对应的核矩阵的绝对值之和，公式如下: 波段意义因子反映了输入频带对输出特征图的影响。为了实现波段选择，将波段有效因子最小的波段及其对应的核矩阵设置为零，并将其标记为剪枝参数。这些修剪后的参数在反向传播步骤中不会得到更新。在修剪波段和内核之后，需要通过重新训练网络来补偿性能下降。最后，可以通过去除这些剪枝参数来细化网络，得到选定的波段和紧凑的模型。 步骤c、分别对空间和光谱进行特征提取； 具体为： 步骤c1、对于高光谱的空间分支，采用2D胶囊网络及空洞卷积对高光谱的空间信息进行特征提取； 步骤c2、对于高光谱的光谱分支，采用1D胶囊网络及空洞卷积对高光谱的空间信息进行特征提取； 步骤d、采用空洞卷积对LiDAR分支进行特征提取； 步骤e、将高光谱图像分支和LiDAR数据分支所提取的特征进行拼接； 步骤f、最后使用softmax对拼接的特征进行分类，获得样本分类标签。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号哈尔滨理工大学；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”。