本发明专利技术公开了一种域自适应撞击坑检测方法、系统、装置及存储介质，方法包括：获取任务样本；利用特征金字塔网络，对任务样本进行特征提取，获得特征图；其中，特征提取网络包括低级特征增强模块和圆形边界增强模块；特征图包括第一特征图和第二特征图；对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；利用区域推荐网络，分别对中间子空间特征和第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；利用加权实例级对齐网络，对中间边界框检测结果和目标域边界框检测结果进行相似度加权，得到目标检测结果。本发明专利技术能够有效提高撞击坑的检测效率，可广泛应用于图像处理技术领域。应用于图像处理技术领域。应用于图像处理技术领域。
【技术实现步骤摘要】
一种域自适应撞击坑检测方法、系统、装置及存储介质
[0001]本专利技术涉及图像处理
，尤其是一种域自适应撞击坑检测方法、系统、装置及存储介质。
技术介绍
[0002]随着科学技术在外太空探索方面的应用。火星和月球等行星逐渐揭开了它们神秘的面纱。撞击坑主导的行星地形特征对研究人员具有重要意义，撞击坑的数量和大小对于分析行星的历史非常重要，可以帮助航天器导航和着陆。因此，快速准确的撞击坑探测算法有助于更好地探索其他行星。
[0003]然而，在以下三个方面，撞击坑数据集之间的域自适应检测问题仍然是一个很大的挑战：
[0004]1)在数据集方面，注释良好的数据集昂贵且难以获得，目前没有真实的跨域撞击坑检测数据集。现有方法主要用于一般自然场景。即使这些方法可能具有应用于撞击坑场景的潜在能力。他们没有有效利用坑的特征。因此，基于现有数据自然不可能获得高的域泛化性能。
[0005]2)在特征对齐方面，现有方法只能粗略对齐两个分布，不能有效对齐分布边缘的样本。此外，将两个域之间的距离最小化会严重损失模型的一些分布感知，在大多数情况下，松散模型比紧密模型更好，而此方面的研究较少。
[0006]3)就深度模型的可解释性而言，分布度量，如最大平均距离(MMD)、图距离或原型距离可用于对齐源域和目标域。然而，这一过程是通过最小化训练过程中的损失函数来实现的，这是不可知的，通常只能通过实验结果来验证这一点，并且没有关于哪个分布度量度量最适合当前任务的理论研究。
[0007]鉴于此，如何提高撞击坑检测效率是一个亟需解决的问题。
技术实现思路
[0008]有鉴于此，本专利技术实施例提供一种域自适应撞击坑检测方法、系统、装置及存储介质，能够有效提高撞击坑的检测效率。
[0009]一方面，本专利技术的实施例提供了一种域自适应撞击坑检测方法，包括：
[0010]获取任务样本；其中，任务样本包括已知标签的源域样本和未知标签的目标域样本；
[0011]利用特征金字塔网络，对任务样本进行特征提取，获得特征图；
[0012]其中，特征提取网络包括低级特征增强模块和圆形边界增强模块；特征图包括第一特征图和第二特征图；
[0013]对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；
[0014]利用区域推荐网络，分别对中间子空间特征和第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；
[0015]利用加权实例级对齐网络，对中间边界框检测结果和目标域边界框检测结果进行相似度加权，得到目标检测结果。
[0016]可选地，还包括：
[0017]利用分类损失和回归损失作为整体网络的损失函数，对整体网络进行训练；
[0018]其中，整体网络包括加权实例级对齐网络。
[0019]可选地，还包括：
[0020]基于低级特征增强模块和圆形边界增强模块，结合卷积网络，构建特征金字塔网络；
[0021]其中，特征金字塔网络包括两个分支，两个分支均包括卷积网络连接并列的低级特征增强模块和圆形边界增强模块。
[0022]可选地，利用特征金字塔网络，对任务样本进行特征提取，获得特征图，包括：
[0023]通过卷积网络对任务样本进行卷积处理；
[0024]通过低级特征增强模块利用注意机制对卷积处理后的任务样本进行低级语义信息增强处理；
[0025]通过圆形边界增强模块利用对角卷积对卷积处理后的任务样本进行域不变特征增强处理；
[0026]融合低级语义信息增强处理和域不变特征增强处理得到的特征，得到特征图；
[0027]其中，第一特征图通过已知标签的源域样本进行特征提取得到，第二特征图通过未知标签的目标域样本进行特征提取得到。
[0028]可选地，低级特征增强模块包括第一分支、第二分支和第三分支，通过低级特征增强模块利用注意机制对卷积处理后的任务样本进行低级语义信息增强处理，包括：
[0029]根据卷积处理后的任务样本，在第一分支、第二分支和第三分支均通过1
×
1卷积，分别得到第一特征、第二特征和第三特征；
[0030]根据第一特征，在第一分支通过Softmax，得到第四特征；
[0031]乘以第四特征和第二特征，并添加到第三特征。
[0032]可选地，圆形边界增强模块包括第四分支和第五分支，通过圆形边界增强模块利用对角卷积对卷积处理后的任务样本进行域不变特征增强处理，包括：
[0033]根据卷积处理后的任务样本，在第一分支利用两组1
×
1卷积使用移位减法运算，得到第五特征；
[0034]根据卷积处理后的任务样本，在第五分支通过3
×
3卷积，得到第六特征；
[0035]添加第六特征到第五特征。
[0036]可选地，对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征，包括：
[0037]对特征图进行线性变换，得到第一子空间和第二子空间；其中，第一子空间通过第一特征图进行线性变换得到，第二子空间通过第二特征图进行线性变换得到；
[0038]基于第一子空间和第二子空间，通过渐进域自适应网络的超参数的自适应变化，得到多个中间域特征；
[0039]通过采样多个中间域特征的其中一个特征作为中间子空间特征。
[0040]另一方面，本专利技术的实施例提供了一种域自适应撞击坑检测系统，包括：
[0041]第一模块，用于获取任务样本；其中，任务样本包括已知标签的源域样本和未知标签的目标域样本；
[0042]第二模块，用于利用特征金字塔网络，对任务样本进行特征提取，获得特征图；
[0043]其中，特征提取网络包括低级特征增强模块和圆形边界增强模块；特征图包括第一特征图和第二特征图；
[0044]第三模块，用于对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；
[0045]第四模块，用于利用区域推荐网络，分别对中间子空间特征和第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；
[0046]第五模块，用于利用加权实例级对齐网络，对中间边界框检测结果和目标域边界框检测结果进行相似度加权，得到目标检测结果。
[0047]另一方面，本专利技术的实施例提供了一种域自适应撞击坑检测装置，包括处理器以及存储器；
[0048]存储器用于存储程序；
[0049]处理器执行程序实现如前面的方法。
[0050]另一方面，本专利技术的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
[0051]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种域自适应撞击坑检测方法，其特征在于，包括：获取任务样本；其中，所述任务样本包括已知标签的源域样本和未知标签的目标域样本；利用特征金字塔网络，对所述任务样本进行特征提取，获得特征图；其中，所述特征提取网络包括低级特征增强模块和圆形边界增强模块；所述特征图包括第一特征图和第二特征图；对所述特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；利用区域推荐网络，分别对所述中间子空间特征和所述第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；利用加权实例级对齐网络，对所述中间边界框检测结果和所述目标域边界框检测结果进行相似度加权，得到目标检测结果。2.根据权利要求1所述的一种域自适应撞击坑检测方法，其特征在于，还包括：利用分类损失和回归损失作为整体网络的损失函数，对所述整体网络进行训练；其中，所述整体网络包括所述加权实例级对齐网络。3.根据权利要求1所述的一种域自适应撞击坑检测方法，其特征在于，还包括：基于低级特征增强模块和圆形边界增强模块，结合卷积网络，构建特征金字塔网络；其中，所述特征金字塔网络包括两个分支，所述两个分支均包括所述卷积网络连接并列的所述低级特征增强模块和所述圆形边界增强模块。4.根据权利要求3所述的一种域自适应撞击坑检测方法，其特征在于，所述利用特征金字塔网络，对所述任务样本进行特征提取，获得特征图，包括：通过所述卷积网络对所述任务样本进行卷积处理；通过所述低级特征增强模块利用注意机制对所述卷积处理后的任务样本进行低级语义信息增强处理；通过所述圆形边界增强模块利用对角卷积对所述卷积处理后的任务样本进行域不变特征增强处理；融合所述低级语义信息增强处理和所述域不变特征增强处理得到的特征，得到特征图；其中，所述第一特征图通过所述已知标签的源域样本进行特征提取得到，所述第二特征图通过所述未知标签的目标域样本进行特征提取得到。5.根据权利要求4所述的一种域自适应撞击坑检测方法，其特征在于，所述低级特征增强模块包括第一分支、第二分支和第三分支，所述通过所述低级特征增强模块利用注意机制对所述卷积处理后的任务样本进行低级语义信息增强处理，包括：根据所述卷积处理后的任务样本，在所述第一分支、所述第二分支和所述第三分支均通过1
×
1卷积，分别得到第一特征、第二特征和第三特征；根据所述第一...
【专利技术属性】
技术研发人员：蔡占川，杨烁今，
申请(专利权)人：澳门科技大学，
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。