基于改进的SE-Inception-v3网络模型的天文图像自动分类方法技术

本发明专利技术基于改进的SE

【技术实现步骤摘要】
基于改进的SE
‑
Inception
‑
v3网络模型的天文图像自动分类方法


[0001]本专利技术属于图像识别及数据分析
，具体涉及一种天文图像自动识别方法。

技术介绍

[0002]星云的凝聚塌缩形成恒星和星系，星系形态是表征星系结构最直观的观测特征，研究不同形态的星系对于理解宇宙的形成和演化及行星的生命历程有着重要意义。现代大型巡天项目如MDS(Hubble Space Telescope Medium Deep Survey)、GOODS(The Great Observatories Origins Deep Survey)、HUDF(Hubble Ultra Deep Field)、COSMOS(Cosmic Evolution Survey)、CANDELS(Cosmic Assembly Near
‑
IR Deep Extragalactic Legacy Survey)、SDSS(Sloan Digital Sky Survey)等提供了海量的天文图像，因此能够及时高效得对天文图像进行形态分类变得十分关键。
[0003]一些从数学视角出发的星系形态分类方法应运而生，如分数三角形算法按照星系悬臂轨迹对椭圆星系与环状星系进行形态分类；非负矩阵分解算法、四元极性复指数变化与二元随机分形搜索算法对星系形态进行分类识别。在人工智能与机器学习技术快速发展的大背景下，越来越多的人工智能技术被广泛应用到星系形态分类等领域，如支持向量机、K
‑<br/>means聚类算法、ResNet、随机森林、Few
‑
short learning、卷积自编码与集成学习和Efficient Net等。
[0004]现有的天文图像分类方法与不断增加的海量天文观测数据极大推动了星系形态分类领域的发展。然而这些方法也存在天文图像类别单一使用场景有限、不同类别样本数量失衡、算法特征选择困难等问题，合理搭建天文图像分类网络模型以优化分类速度与分类准确率就显得至关重要。

技术实现思路

[0005]为了克服天文图像分类计算量大、硬件性能要求高、形态特征选择困难、分类速度慢、准确率受限的问题，本专利技术提出一种天文图像自动分类方法，通过迁移学习获取天文图像识别网络的初始参数，以Inception
‑
v3网络为主干结构，融合SE(Squeeze and Excitation Network)通道注意力机制搭建分类模型。
[0006]为实现上述目的，本专利技术采用如下技术方案：基于改进的SE
‑
Inception
‑
v3网络模型的天文图像自动分类方法，该方法包括如下步骤：步骤1、采集天文图像数据,所述图像信息包括不同波段（u、g、r、i、z）合成的伪彩色图片；步骤2、建立已采集天文图像数据和类别标签值的关联模型；步骤3、以Inception
‑
v3网络为主干结构，融合SE通道注意力机制搭建SE
‑
Inception
‑
v3网络模型；在经过SE
‑
Inception
‑
v3网络模型处理后，先进入Dropout层，丢弃部分隐含层神经元，使网络变得更为紧凑以避免过拟合；其后依次进入全连接层与Softmax层，最后输出天文图像分类结果；步骤4、将ImageNet数据集经过Inception
‑
v3网络学习后的超参数迁移至SE
‑
Inception
‑
v3网络模型；在获取基于ImageNet数据集预训练完毕的Inception
‑
v3模型后，用SE
‑
Inception
‑
v3网络模型的全连接层替换基于ImageNet数据集网络模型的全连接层，采用ImageNet预训练得到的权重参数来初始化新模型，在星系数据集上训练剩余参数，直至新网络模型训练完毕；步骤5、以关联的天文图像作为输入层，预测图像类别为输出层，训练本专利技术搭建的天文图像自动分类网络以获取模型最优参数；步骤6、获取待分类的天文图像数据，输入SE
‑
Inception
‑
v3自动分类模型，得到天文图像识别结果。
[0007]作为本专利技术的进一步改进，所述步骤（3）中，将Inception
‑
v3网络中的卷积层引入正则化（Batch Normalization）与ReLU激活函数。
[0008]作为本专利技术的进一步改进，所述步骤（3）中，在网络末端全连接层前添加了Dropout层。
[0009]作为本专利技术的进一步改进，所述步骤（5）中，将输入数据按照11：3：3的比例分为训练集、验证集和测试集。
[0010]与现有技术相比，本专利技术的有益效果是：（1）本专利技术采用迁移学习，通常已训练完毕的神经网络的前几层学习到的是通用特征，随着网络层数的增加，更深的网络层更加偏重于学习特定的特征，因此可将通用特征迁移到其他领域，将ImageNet数据集经过Inception
‑
v3模型预训练完毕的权重参数迁移至天文图像分类网络作为初始权值，解决了神经网络计算量大、硬件要求高、耗时长的问题。
[0011]（2）本专利技术神经网络卷积层添加了正则化，每一组数据包内部都会进行标准化处理，通过规范每一层的输出，使得输入输出满足正态分布，这样其他网络层得到的输入变化就会变小，有效降低过拟合的发生。
[0012]（3）本专利技术引入了SE通道注意力机制，通过压缩激励与相乘特征融合操作，它能在不改变特征图大小的情况下对有效目标进行通道特征加强。SE通道注意力机制的引入可以更好地拟合通道间复杂的相关性，在提高网络运行时间的同时又减少了参数计算量。
[0013]（4）本专利技术将Inception
‑
v3神经网络与SE通道注意力机制相融合。分解卷积将高维信息在网络局部进行处理，空间聚合通过低维嵌入，模型宽度与深度的优良设计避免特征表示瓶颈的同时又能最大化网络性能，高效实现天文图像的自动化识别。
[0014]（5）本专利技术不需要人为挑选天文图像特征，弥补了现有方法在识别精度和效率的不足，实用性强，可为未来大型巡天项目产生的海量天文图像分类提供有力支撑。
附图说明
[0015]图1为本专利技术基于改进的SE
‑
Inception
‑
v3网络模型的天文图像自动分类方法的流程图；图2为本专利技术构建的SE
‑
Inception
‑
v3网络模型的算法框架图；
图3为训练本专利技术构建的SE
‑
Inception
‑
v3网络模型最优参数流程图。
具体实施方式
[0016]下面结合附图对本专利技术作进一步详细说明。
[0017]如图1所示，本实施例基于改进的SE本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的SE
‑
Inception
‑
v3网络模型的天文图像自动分类方法，其特征在于，包括如下步骤：步骤1.采集天文图像数据,所述图像信息包括不同波段（u、g、r、i、z）合成的伪彩色图片；步骤2.建立已采集天文图像数据和类别标签值的关联模型；步骤3.以Inception
‑
v3网络为主干结构，融合SE通道注意力机制搭建SE
‑
Inception
‑
v3网络模型；在经过SE
‑
Inception
‑
v3网络模型处理后，先进入Dropout层，丢弃部分隐含层神经元，使网络变得更为紧凑以避免过拟合；其后依次进入全连接层与Softmax层，最后输出天文图像分类结果；步骤4.将ImageNet数据集经过Inception
‑
v3网络学习后的超参数迁移至SE
‑
Inception
‑
v3网络模型；在获取基于ImageNet数据集预训练完毕的Inception
‑
v3模型后，用SE
‑
Inception
‑
v3网络模型的全连接层替换基于ImageNet数据集网络模型的全连接层，采用ImageNet预训练得到的权重参数来初始化新模型，在星系数据集上训练剩余参数，直至新网络模型训练完毕；步骤5.以关联的天文图像作为输入层，预测图像类别为输出层，训练天文图像自动分类网络以获取模型最优参数；步骤6、获取待分类的天文图像数据，输入SE
‑
Inception
‑
v3自动分类模型，得到天文图像识别结果。2.根据权利要求1所述的基于改进的SE
‑
Inception
‑
v3网络模型的天文图像自动分类方法，其特征在于：步骤3中所述的Inception
‑
v3网络主干结构为3个模组具体如下：a1.Block1为Inception对称式分解卷积结构，降低约28%模型参数量；a2.Block2为Inception对称式分解卷积的拓展结构，可将的卷积使用两个,的卷积来代替，的卷积使用,的卷积来代替；a3.Block3为Inception非对称式分解卷积结构，降低约33%的网络参数量。3.根据权利要求1所述的基于改进的SE
‑
Inception<...

【专利技术属性】
技术研发人员：窦江培，孔希阳，
申请(专利权)人：中国科学院国家天文台南京天文光学技术研究所，
类型：发明
国别省市：