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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利基于动态融合网络的高光谱图像与激光雷达数据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：CN121640285B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610163888.3，技术领域涉及：G06V20/10；该发明授权基于动态融合网络的高光谱图像与激光雷达数据分类方法是由赵桂新;刘宗设计研发完成，并于2026-02-05向国家知识产权局提交的专利申请。

本基于动态融合网络的高光谱图像与激光雷达数据分类方法在说明书摘要公布了：本发明涉及人工智能及遥感图像处理技术领域，尤其是提供了一种基于动态融合网络的高光谱图像与激光雷达数据分类方法。该方法包括对获取的多模态数据进行预处理，并构造多尺度输入；设计双尺度局部注意力模块，通过门控软池化自适应加权融合不同尺度的上下文信息；设计动态下采样特征增强模块，根据特征图的复杂度动态调整下采样率，并基于Mamba骨干进行深度多尺度交互；构建方向性交互注意力模块，通过方向性门控卷积提取水平、垂直、对角方向的特征，捕捉线性地物的各向异性结构；通过双路径分类器设计，融合浅层空间细节与深层语义信息；对模型进行训练、优化与推理，以获得数据分类，该方法提高了分类精度和计算效率。

本发明授权基于动态融合网络的高光谱图像与激光雷达数据分类方法在权利要求书中公布了：1.一种基于动态融合网络的高光谱图像与激光雷达数据分类方法，其特征在于，所述方法包括： 步骤1、对获取的多模态数据进行预处理，并构造多尺度输入； 步骤2、根据步骤1，设计双尺度局部注意力DSLA模块，通过门控软池化自适应加权融合不同尺度的上下文信息； 步骤3、根据步骤2，设计动态下采样特征增强DDFE模块，根据特征图的复杂度动态调整下采样率，并基于Mamba骨干进行深度多尺度交互； 步骤4、构建方向性交互注意力DIA模块，通过方向性门控卷积提取水平、垂直、对角方向的特征，捕捉线性地物的各向异性结构； 步骤5、通过双路径分类器设计，融合浅层空间细节与深层语义信息； 步骤6、对模型进行训练、优化与推理，以获得数据分类； 所述步骤2中双尺度局部注意力DSLA模块采用双分支架构； Ⅰ、全局上下文分支：使用1×1的Conv和核大小为7×7的SoftPool1对H×W×C进行下采样，空间尺寸压缩为×；接着使用Conv3×3，进一步下采样到×，再用Conv3×3，以增强特征表达；用Sigmoid和双线性插值Bilinear上采样，恢复到原始尺寸H×W，同时生成注意力权重w1；采用融合特征的第一个通道特征：H×W×1，对第一个通道特征进行Sigmoid，生成门控信号g1，用于动态调整全局上下文分支特征的贡献；其中，为第i个尺度下，最终融合后的输出特征图； Ⅱ、局部细节分支：使用1×1的Conv和核大小为5×5的SoftPool进行下采样，空间尺寸压缩为×；接着使用Conv3×3，以提取深层细节特征；再用Conv3×3，以增强特征表达；接着用Sigmoid和双线性插值Bilinear上采样，恢复到原始尺寸H×W，同时生成注意力权重w2；采用融合特征的第一个通道特征：H×W×1，对第一个通道特征进行Sigmoid，生成门控信号g2，用于动态调整局部细节分支特征的贡献； Ⅲ、通过对激活值进行指数加权，以减少信息损失；双分支输出的注意力权重w1，w2和门控信号g1，g2经上采样和平均融合后，用于对输入特征进行自适应加权：，得到最后的融合特征图F；将，，输入双尺度局部注意力DSLA模块后，得到三个细粒度的特征； 所述步骤3包括： 步骤31、序列化与跨尺度交互：将三个细粒度的特征先让其通过线性Linear层，对双尺度局部注意力DSLA模块输出的高维特征进行线性变换，统一通道数和特征维度，为后续卷积和多尺度分支做准备；接着通过卷积Conv层，卷积提取融合后的深层特征，压缩冗余信息，对于则是在Linear层，卷积层后直接获得，对强化关键模式，将其上采样后与粗尺度特征进行元素级相乘，最后得到； ； ； 其中，、为最终输出的增强特征向量，为展平操作，将二维特征图转为一维向量，为上采样操作，将的空间尺寸放大到与一致； 步骤32、Mamba骨干网络：每个尺度的序列经过Mamba处理后得到、、： ； ； ； 步骤33、得到包含全局信息的序列表示，将、、输入动态下采样特征增强DDFE模块； 所述步骤3中动态下采样特征增强DDFE模块包含上分支EASA和下分支LDE两条路径，通过通道拆分、多尺度特征提取和动态加权，以实现特征的精细化增强； 动态下采样特征增强DDFE模块在于动态下采样机制： 下采样率计算，根据输入特征图的标准差动态计算下采样尺度： ； 其中，为基础下采样率，为调节阈值；将约束在[1，]范围内； 动态下采样特征增强DDFE模块的过程为： 输入三维特征图F:H×W×C，先进行Conv1×1，在通过通道拆分，将输入特征沿通道维度拆分为两个相同尺寸的分支：上分支特征X:H×W×C，下分支特征Y:H×W×C；在上分支动态空间注意力增强EASA路径中，首先进行标准差计算StdDevCalc，用于生成空间注意力权重；接着深度卷积DWConv来提取局部空间特征，同时将特征图尺寸下采样为××C，得到特征，接着通过方差计算，对下采样特征计算方差σ2X，再和原始特征做加权融合，以实现动态信息增强；对特征进行Conv1×1，调整通道数，匹配后续维度；通过GELU激活，引入非线性，以提升特征表达能力；接着最近邻上采样：将特征图恢复到原始尺寸H×W×C；最后，将上采样后的特征与原始分支特征逐元素相乘，得到增强后的空间特征；在下分支局部特征深度增强LDE路径中，首先进行深度卷积DWConv来提取局部空间特征，接着Conv1×1，将通道数扩展到2C，增加特征维度，得到特征:H×W×2C，接着通过GELU激活，引入非线性函数，最后用Conv1×1将通道数压缩回C，以完成特征增强与降维，得到增强后的局部特征:H×W×C； 特征融合与输出，将上分支的空间增强特征和下分支的局部增强特征进行逐元素相加，在通过最后一个Conv1×1调整通道并融合信息，最终输出增强后的特征图:H×W×C； 在、、经过动态下采样增强DDFE模块后，得到可判别特征、、； 所述步骤4包括： 将动态下采样特征增强DDFE模块得到的特征、、输入方向性交互注意DIA模块，以捕捉方向性结构，其核心是方向性门控卷积DGConv；DIA的过程为： 输入与特征映射，输入为特征图H×W×C，先通过三个并行的Conv1×1分别生成注意力的查询向量Q、键向量K、值向量V特征；其中Q、K和V经过方向门控卷积DGConv来提取局部空间特征、、，以增强注意力的局部感知能力； 多头拆分与归一化，将、、沿通道维度拆分为多个头，每个头学习不同的注意力模式，对拆分后的Q、K进行层归一化，以稳定训练过程； 注意力计算，矩阵转置将K的空间维度展平并转置，为矩阵乘法做准备；矩阵乘法计算Q和转置后K的点积，得到注意力相似度矩阵；对相似度矩阵做Softmax归一化，得到注意力权重，注意力权重将对不同空间位置的重要性进行动态分配； ； 其中，为可学习的温度参数； 特征加权与融合，将注意力权重与V做矩阵乘法，得到加权后的特征；用多头合并Merge，将多个头的特征沿通道维度拼接合并；最后通过Conv1×1调整通道数，输出增强后的特征图H×W×C； 在、、经过动态下采样增强DIA模块后，得到可判别特征、、； 多尺度特征加权融合，将三个尺度经过上述处理后的特征进行融合，引入可学习权重和，计算加权和：； 其中，聚合从局部到全局的多尺度信息，为最终分类提供强大的特征表示； DIA模块中方向性门控卷积DGConv的过程为：输入与分支划分输入特征图H×W×C，拆分为四条并行路径； 方向特征提取，使用三组平行的深度可分离卷积核Conv_h、Conv_v、Conv_d分别提取水平方向特征、垂直方向的特征和对角线方向的特征： ； 门控融合，将三个方向的特征相加,并通过一个由Conv1×1和Sigmoid激活函数生成的门控图进行调制： ； 表示Sigmoid激活函数； 最终输出增强后的特征图H×W×C。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250353 山东省济南市长清区西部新城大学科技园；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”。

以上内容由龙图腾AI智能生成。