一种基于低秩适配的星上处理参数更新方法技术

本发明专利技术提供一种基于低秩适配的星上处理参数更新方法，属于在轨遥感图像处理领域，首先构建地面智能信息提取模块；其次计算模块中各个网络模型中卷积特征层对应的激活图，根据激活图植入低秩适配矩阵；然后部署星上智能信息提取模块；接着根据星上处理结果微调地面智能信息提取模块的参数；最后进行模型参数更新

【技术实现步骤摘要】
一种基于低秩适配的星上处理参数更新方法


[0001]本专利技术属于在轨遥感图像处理领域，更具体地涉及一种基于低秩适配的星上处理参数更新方法
。

技术介绍

[0002]随着天基卫星数量的增多，卫星空间分辨率
、
时间分辨率的提升，卫星遥感数据量爆炸式增长，在防震减灾
、
环境监测
、
城市规划
、
国家安全领域的应用范围越来越广，但是传统的数据应用模式阻碍了卫星遥感数据的信息挖掘，传统的应用模式需要经过“指令生成
‑
指令上注
‑
卫星成像
‑
数据下传
‑
影像处理
‑
信息提取
‑
数据分发”等环节，时效性较低，带宽占用较高
。
[0003]采用“用户需求下发
‑
任务规划
‑
指令上注
‑
在轨处理
‑
实时传输”的新模式将大幅提升卫星数据应用的时效性，这其中在轨处理是最关键的一个环节，利用现有的基于人工智能的智能处理算法能够提升信息提取的智能化程度，但是智能算法的参数量巨大，进行星地间的模型参数更新代价较大，为此，采用基于低秩适配的星上处理参数更新方法减少更新参数的数量，从而助力在轨处理大规模应用
。

技术实现思路

[0004]本专利技术的目的是在保证模型性能不变的条件下，通过减少星地模型更新参数的数量，降低星地模型更新的带宽占用，提高星地模型更新效率，提出了一种基于低秩适配的星上处理参数更新方法
。
[0005]本专利技术采用的技术方案为：
[0006]一种基于低秩适配的星上处理参数更新方法，包括以下步骤：
[0007]步骤1，在地面处理中心构建地面智能信息提取模块，包括以卷积神经网络为基础搭建的目标检测网络模型
、
地物分类网络模型
、
变化检测网络模型和场景描述网络模型；
[0008]步骤2，抽取地面智能信息提取模块中各个网络模型的所有卷积特征层，计算与各卷积特征层对应的所有激活图；
[0009]步骤3，根据激活图选定每个网络模型中贡献度最高的设定个数卷积特征层，在其中植入低秩适配矩阵；
[0010]步骤4，初始化植入的低秩适配矩阵参数，将地面智能信息提取模块和网络模型配置文件部署至星载处理器中，成为星上智能信息提取模块，并随卫星发射进入预定轨道；
[0011]步骤5，卫星在轨数据采集后将原始数据和经过星上智能信息提取模块提取的信息下传至地面处理中心，地面处理中心对星上智能提取的信息进行校验，根据校验结果对地面智能信息提取模块的参数进行微调训练；
[0012]步骤6，将微调训练后地面智能信息提取模块的低秩适配矩阵权重及网络模型配置文件通过星地链路上传至星载处理器，更新星上智能信息提取模块的参数
。
[0013]进一步的，步骤1中的所述目标检测网络模型采用
YOLOv4
‑
tiny
模型，地物分类网
络模型采用
DeepLab
‑
v3
模型，变化检测网络模型采用
UCDFormer
模型，场景描述网络模型采用
ClipCap
‑
Chinese
模型
。
[0014]进一步的，步骤2中的所述激活图计算方法为：将卷积特征层中每个通道的数值，通过线性融合方式，在通道维度加权求和，再进行归一化和插值处理得到激活图，并将激活图数值取值范围缩放至
[0,1]区间，尺寸缩放至与智能信息提取模块的输入图像尺寸相同
。
[0015]进一步的，步骤3中所述贡献度计算方法为：计算激活图与输入图像的结构相似度，相似度越高贡献度越高
。
[0016]进一步的，步骤3中所述低秩适配矩阵的植入方式为：设卷积特征层参数为
W
，
W
为
m
×
n
维矩阵，设置低秩适配矩阵
A
和
B
，
A
为
m
×
d
维矩阵，
B
为
d
×
n
维矩阵，其中
d
＜
m
且
d
＜
n
，植入方式为使用
A
×
B
替换
W。
[0017]进一步的，步骤4中所述初始化方式为：将低秩适配矩阵
A
初始化为全1矩阵，低秩适配矩阵
B
初始化为全0矩阵
。
[0018]进一步的，步骤4中所述网络模型配置文件包括网络模型结构
、
权重的加载地址和加载方式
。
[0019]进一步的，步骤5中所述校验方式为：对星上智能提取的信息中错误的结果进行重新标注，微调时冻结其他参数，只训练植入的低秩适配矩阵
。
[0020]本专利技术相对于现有技术的优点为：
[0021](1)
本专利技术能够在保证模型性能不变的条件下，减少星地模型更新参数的数量；
[0022](2)
本专利技术能够大幅减少星上处理参数更新的通信带宽占用；
[0023](3)
本专利技术能够提升遥感信息处理应用的时效性
。
附图说明
[0024]图1为本专利技术提出方法的总体技术流程图
。
[0025]图2为目标检测网络模型低秩适配示意图
。
具体实施方式
[0026]下面结合附图对本专利技术的具体实施方式和基本原理做进一步说明
。
[0027]本专利技术提出了一种基于低秩适配的星上处理参数更新方法，具体流程图如图1所示，具体包括以下过程：
[0028]步骤1，在地面处理中心构建地面智能信息提取模块：智能信息提取模块包括以卷积神经网络为基础搭建的目标检测网络模型
、
地物分类网络模型
、
变化检测网络模型和场景描述网络模型，目标检测网络模型采用
YOLOv4
‑
tiny
模型，地物分类网络模型采用
DeepLab
‑
v3
模型，变化检测网络模型采用
UCDFormer
模型，场景描述网络模型采用
ClipCap
‑
Chinese
模型；
[0029]步骤2，计算激活图：抽取智能信息提取模块中各个网络模型的所有卷积特征层，计算与各卷积特征层对应的所有激活图，将卷积特征层中每个通道的数值，通过线性融合方式，在通道维度加权求和，再进行归一化和插值处理得到激活图，使激活图数值取值范围缩放至
[0,1]区间，尺寸缩放至与智能信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于低秩适配的星上处理参数更新方法，其特征在于，包括以下步骤：步骤1，在地面处理中心构建地面智能信息提取模块，包括以卷积神经网络为基础搭建的目标检测网络模型
、
地物分类网络模型
、
变化检测网络模型和场景描述网络模型；步骤2，抽取地面智能信息提取模块中各个网络模型的所有卷积特征层，计算与各卷积特征层对应的所有激活图；步骤3，根据激活图选定每个网络模型中贡献度最高的设定个数卷积特征层，在其中植入低秩适配矩阵；步骤4，初始化植入的低秩适配矩阵参数，将地面智能信息提取模块和网络模型配置文件部署至星载处理器中，成为星上智能信息提取模块，并随卫星发射进入预定轨道；步骤5，卫星在轨数据采集后将原始数据和经过星上智能信息提取模块提取的信息下传至地面处理中心，地面处理中心对星上智能提取的信息进行校验，根据校验结果对地面智能信息提取模块的参数进行微调训练；步骤6，将微调训练后地面智能信息提取模块的低秩适配矩阵权重及网络模型配置文件通过星地链路上传至星载处理器，更新星上智能信息提取模块的参数
。2.
根据权利要求1所述的一种基于低秩适配的星上处理参数更新方法，其特征在于，步骤1中的所述目标检测网络模型采用
YOLOv4
‑
tiny
模型，地物分类网络模型采用
DeepLab
‑
v3
模型，变化检测网络模型采用
UCDFormer
模型，场景描述网络模型采用
ClipCap
‑
Chinese
模型
。3.
根据权利要求1所述的一种基于低秩适配的星上处理参数更新方法，其特征在于，步骤2中的所述激活图计算方法为：将卷积特征层中每个通道的数值，通过线性融合方式，在通道维度加权求和，再进行归一化和插值处理得到激活图，并将激活图数值取值范围缩放至
[0,1]<...

【专利技术属性】
技术研发人员：张晓男，王士成，孙康，王港，孙方德，常晓宇，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：