【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
‑< ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。