基于多尺度注意力增强U-Net的电离图自动描迹方法技术

本发明专利技术公开了一种基于多尺度注意力增强U

【技术实现步骤摘要】
基于多尺度注意力增强U
‑
Net的电离图自动描迹方法


[0001]本专利技术涉及一种基于多尺度注意力增强U
‑
Net的电离图自动描迹方法。

技术介绍

[0002]电离图的变化反映电离层的状态，通过雷达探测设备得到电离图并对其处理，以及描绘不同电子密度层的分布情况或变换轨迹，可以推测出近期的一些地质活动、天气变化等信息。电离图描迹目前有自动描迹与人工手动描迹两种方式。目前，最可靠的是人工手动描迹，通过人工描迹从而获得电离层三层(D,E,F)的三个特征参数，再通过后期对这些数据的处理得到相应电离层的变化情况。
[0003]随着科技的不断发展，电离图数据的收集速度以及收集量均有待提高，传统的人工方法虽然准确度高，但是因为效率低等原因很难满足电离图描迹的需求。传统的自动描迹方法ARTIST在低信噪比的电离图中，容易出现误判漏判等情况，需要人工干预，不能很好地用于实际中。
[0004]近些年来，深度学习快速发展，将深度学习用于电离图自动描迹，提高电离图描迹的准确度、清晰度，值得探索。近年来，有研究者设计了一种将特征金字塔网络结构应用在U
‑
Net网络的DIAS
‑
Resnet50
‑
FPN方法，并将其应用在电离图自动描迹方面，其性能相较传统方法有一定提高，但没有考虑到噪声对电离图自动描迹结果的影响，在低信噪比的电离图中，其分割效果仍不理想。
[0005]U
‑
Net是经典的语义分割网络架构之一，其利用U型结构，通过简单的跳跃连接，将编码器与解码器相连，通过将相同大小的编码器特征图与解码器层特征图进行拼接，从而让解码器得到更多编码器特征图中的细节信息。但是，这种方法不能恢复由于池化层造成的损失，并且会使像素图粗糙化。在面对小目标物体，以及低信噪比图片时，U
‑
Net网络简单的跳跃连接会导致部分噪声的传递，分割结果不是十分理想。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供一种可过滤噪音、网络分割精度高的基于多尺度注意力增强U
‑
Net的电离图自动描迹方法。
[0007]本专利技术解决上述技术问题的技术方案是：一种基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，引入多尺度特征图跳跃连接以及注意力增强网络，将浅层具有位置信息的特征图与深层具有高级语义信息的特征图结合起来，通过改进的语义分割U
‑
Net网络对低信噪比的电离图进行分割；
[0008]具体包括以下步骤：
[0009]一、构建多尺度注意力增强U
‑
Net语义分割网络：语义分割网络采用U型网络结构，语义分割网络的左臂由四个编码器层构成，每个编码器层均包括两个第一卷积核、两个第一ReLU激活层和最大池化层；对应的，语义分割网络的右臂由四个解码器层构成，解码器层包括多尺度特征图跳跃连接结构、注意力门模块、两个第二卷积核、两个第二ReLU激活层；
[0010]二、训练数据集的预处理：在进行网络训练之前，对齐图片坐标原点，其余补零，将电离图的大小统一调整到512
×
512的像素大小，将所得数据集分为训练集和测试集；
[0011]三、对电离图进行编码：将训练集的电离图输入语义分割网络的编码器层，利用两个第一卷积核进行特征提取，使通道数翻倍，得到第一个特征图，进行下采样，在编码器层的最大池化层的作用下，图片大小减半，之后每进入一个编码器层，特征图大小减半，通道数翻倍，经过第四个编码器层特征提取以后，通过中间层，进入解码器层；
[0012]四、解码得到分割结果：中间层输出的特征图，通过上采样使得图片大小翻倍，进入第一个解码器层，同时与注意力门模块输出的特征图以及经过多尺度特征图跳跃连接结构输出的多尺度特征图相融合，通过拼接经过两个第二卷积核处理使得通道数减半，传递给下一解码器层；经过四个解码器层的解码后，将深层语义信息逐渐恢复为最终的分割结果图。
[0013]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤一的多尺度注意力增强U
‑
Net语义分割网络中，每层解码器前引入的注意力门模块具有两个输入，一个为同层编码器层跳跃连接的特征图，包含同层编码器层对应的编码器中所有上下文和空间信息，第二个为上一个解码器层上采样得到的特征图，作为此解码器层的门控信号；上一个解码器层上采样的特征图与同层编码器层跳跃连接的特征图相加，经过1
×
1的卷积操作，利用Sigmoid函数得到加权特征图，利用加权特征图与同层编码器层跳跃连接特征图相乘，得到最后的注意力特征图。
[0014]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤一的多尺度注意力增强U
‑
Net语义分割网络中，多尺度特征图跳跃连接结构通过不同大小的池化核进行最大池化操作将编码器输出的特征图缩小到对应解码器特征图的大小。
[0015]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤三中，下采样过程中采用最大池化法，其池化核大小2
×
2。
[0016]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤四中，考虑到电离图样本不平衡的问题，采用的损失函数为焦点损失函数，其公式如下：
[0017][0018]其中p表示网络输出的预测样本属于1的概率，范围为0
‑
1；y表示真实标签，y的取值为{+1,
‑
1}，为了方便表示，将P
t
代替p来表示预测样本正确分类的概率，FL(P
t
)为焦点损失函数，此函数中，γ为聚焦参数，(1
‑
P
t
)相当于一个调制系数，目的是减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本。
[0019]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤四中，解码器处理过程的公式为：
[0020][0021]其中，表示编码器第i层的特征图，表示编码器的第1层到第i
‑
1层，N表示
当前的解码器层；表示解码器第i层的特征图；H(.)表示通过卷积、批量标准化和ReLU激活函数综合处理过程；[.]表示特征图拼接；C(.)表示卷积过程；D(.)表示利用最大池化下采样；A(.)表示通过注意力门模块。
[0022]上述基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，所述步骤四中，上采样操作使用双线性插值法。
[0023]本专利技术的有益效果在于：
[0024]1、本专利技术利用深度学习语义分割的强大特征学习能力，对垂测电离图进行学习、训练和分割，在推理分割阶段即可在电离图图像中精确的定位电离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，其特征在于，引入多尺度特征图跳跃连接以及注意力增强网络，将浅层具有位置信息的特征图与深层具有高级语义信息的特征图结合起来，通过改进的语义分割U
‑
Net网络对低信噪比的电离图进行分割；具体包括以下步骤：一、构建多尺度注意力增强U
‑
Net语义分割网络：语义分割网络采用U型网络结构，语义分割网络的左臂由四个编码器层构成，每个编码器层均包括两个第一卷积核、两个第一ReLU激活层和最大池化层；对应的，语义分割网络的右臂由四个解码器层构成，解码器层包括多尺度特征图跳跃连接结构、注意力门模块、两个第二卷积核、两个第二ReLU激活层；二、训练数据集的预处理：在进行网络训练之前，对齐图片坐标原点，其余补零，将电离图的大小统一调整到512
×
512的像素大小，将所得数据集分为训练集和测试集；三、对电离图进行编码：将训练集的电离图输入语义分割网络的编码器层，利用两个第一卷积核进行特征提取，使通道数翻倍，得到第一个特征图，进行下采样，在编码器层的最大池化层的作用下，图片大小减半，之后每进入一个编码器层，特征图大小减半，通道数翻倍，经过第四个编码器层特征提取以后，通过中间层，进入解码器层；四、解码得到分割结果：中间层输出的特征图，通过上采样使得图片大小翻倍，进入第一个解码器层，同时与注意力门模块输出的特征图以及经过多尺度特征图跳跃连接结构输出的多尺度特征图相融合，通过拼接经过两个第二卷积核处理使得通道数减半，传递给下一解码器层；经过四个解码器层的解码后，将深层语义信息逐渐恢复为最终的分割结果图。2.根据权利要求1所述的基于多尺度注意力增强U
‑
Net的电离图自动描迹方法，其特征在于，所述步骤一的多尺度注意力增强U
‑
Net语义分割网络中，每层解码器前引入的注意力门模块具有两个输入，一个为同层编码器层跳跃连接的特征图，包含同层编码器层对应的编码器中所有上下文和空间信息，第二个为上一个解码器层上采样得到的特征图，作为此解码器层的门控信号；上一个解码器层上采样的特征图与同层编码器层跳跃连接的特征图相加，经过1
×
1的...

【专利技术属性】
技术研发人员：郭李，熊家荣，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：