【技术实现步骤摘要】
本专利技术属于sdss(sloan digital sky survey)图像分类领域，特别涉及了一种基于多层感知机和深度可分离卷积模块的sdss损坏图像分类网络。
技术介绍
1、sdss(sloan digital sky survey)是迄今为止最大的天文巡天项目之一，旨在以数字化方式对天空进行详尽的观测和测量，以获取广泛的天文数据，从而推动天文学领域的前沿研究。该项目由斯隆基金会(sloan foundation)于2000年发起，经过多个重要阶段的观测和数据采集，已成功发布了18个版本的天文数据，成为天文研究的珍贵资源。然而，在这庞大的数据宝库中，由于各种复杂的观测条件、仪器故障等原因，不可避免地存在一批受损的数据，这些数据可能受到噪声干扰、设备问题或光污染等因素的影响，导致其中的星图或图像部分区域受到污染或损坏。这些受损的数据不仅无法为科研提供有用的信息，还可能对天文学研究造成不利影响。为使研究人员能够有针对性地处理这些数据，需要创新的分类方法，能够自动检测和识别不同类型的损坏。传统的图像分类方法通常依赖于手工设计的特征提取器，这些特征提取器无法充分捕捉到受损图像中的复杂特征和结构，此外，sdss项目中的数据非常多样化，传统的分类方法难以处理这种多样性，可能导致分类不准确。在当前的研究中，已经有一些深度学习方法被应用于天文图像的处理和分类，这些方法通常利用卷积神经网络(cnn)等深度学习架构，以自动提取图像中的特征并进行分类。尽管这些方法在一定程度上取得了成功，但对于sdss损坏图像损坏类型的多样性，这些分类不能很好地
技术实现思路
1、本专利技术的目的是为了克服上述背景中的不足，专门提供了一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络。针对sdss损坏图像损坏情况多样性的特征，引入多层感知机，可以有效地学习和提取受损图像中的抽象特征，深度可分离卷积模块的引入进一步增强了网络的特征提取能力，使其能够处理各种大小和形状受损的图像，从而适应不同的观测条件和损害类型，图像分类的准确率能够得到进一步提高。为了实现上述技术目的，本专利技术的技术方案为：
2、一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络，包括convnetblock模块和降采样模块；
3、为了在进行特征提取时损失更少的信息，网络在一个较小的局部感受野内执行卷积操作，并将这个局部信息聚合到更大的尺度上，在减少参数和计算复杂度的同时，仍能够有效地捕获图像中的特征，从而使模型更高效。
4、所述的convnet block模块是构建深度学习模型的基本单元，对下采样之后的数据进行一系列处理和变换，以产生更高层次的特征表示，提高模型的表达能力和性能，包括多层感知机模块、深度可分离卷积模块、注意力机制、drop path模块；
5、所述下采样模块用于捕获多尺度的特征信息，可以帮助模型识别不同大小和复杂度的图像中的关键特征，使用层归一化对输入特征进行通道维度上的归一化操作，提高模型的训练稳定性和泛化能力，使用步幅为2，大小为2×2的卷积核进行下采样，以捕获不同尺度的特征。
6、所述多层感知机结构对输入特征进行线性变换、gelu激活函数、残差连接提取非线性映射和特征表示，其中gelu激活函数的公式如下：
7、gelu(x)＝x p(x≤x)x～n(0，1)
8、所述深度可分离卷积模块对输入特征进行深度卷积和逐点卷积，在减少模型参数数量的同时，将不同通道的信息融合在一起，在一定程度上保持了特征的空间结构，有助于提取更丰富的局部特征。
9、所述注意力机制包括通道注意力和空间注意力。通道注意力模块对特征图的不同通道进行建模和加权，每个通道的贡献由其权重确定，使网络更好地关注和利用重要的通道信息。空间注意力模块根据输入数据中不同位置的重要性，动态地加权不同位置的特征信息，提高模型对重要特征的感知和抽取能力，使模型更加关注星图损坏部分的特征。
10、所述drop path模块在网络训练过程中以一定的概率随机丢弃神经网络中的一些连接或路径，提高模型的泛化能力和鲁棒性，减少网络过拟合的风险。
11、对整体网络进行梳理，首先对输入的图片进行数据增强，输入分类模型，经过第一个卷积下采样层，将处理后的特征图输入到convnet block模块中，首先通过一个具有残差连接的多层感知机结构，随后特征经过层归一化、深度可分离卷积、通道空间注意力机制、残差连接的多层感知机结构和一个drop path模块，整个convnet block模块使用残差连接得到最终的特征输出，之后是一个下采样层和convnet block模块交替堆叠的过程，整个网络中convnet block模块的数量依次是3、4、6、3，最后通过一个全局平均池化层、线性层和sofimax层对分类类别进行输出，softmax的公式如下：
12、
13、hi表示h中的第i个元素。通过以上模型，能够得到最终的sdss损坏图像所属损坏类别。
14、本专利技术还公开了一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络，包括以下步骤：
15、s1：数据获取：实验的数据来源是sdss dr7的一批损坏数据的fits文件，将fits格式的数据转换成可视化图像，使用无监督学习和人工干预相结合的方法制作sdss损坏图像分类数据集。
16、s2：对sdss损坏图像分类网络进行训练：利用制作好的数据集进行训练，得到训练好的模型权重参数。
17、s3：加载训练好的模型权重参数，输入测试集，得到测试集混淆矩阵和每一损坏类别的精确率、召回率、特异性、f1-score值、准确率，依次判断网络的分类性能。
18、s4：利用s3确定的模型参数和分类指标，对验证集数据进行损坏类别判断，确定网络的分类效果和泛化性能。
19、有益效果：本专利技术与现有技术相比，在特征提取过程中首次同时加入深度可分离卷积、通道空间注意力机制、多层感知机和残差连接。本专利技术与传统的基于卷积神经网络的分类算法相比算法精度更高，具有更好的鲁棒性，实现了高准确率分类，能够自动化的对sdss损坏图像进行损坏类别的分类。
本文档来自技高网...【技术保护点】
1.一种基于多层感知机和深度可分离卷积的SDSS损毁图像分类网络，其特征在于：Convnet Block模块和降采样模块；
2.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，在Convnet Block模块中使用了多层感知机模块；
3.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，在Convnet Block模块中使用了深度可分离卷积模块；
4.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，在Convnet Block模块中使用了注意力机制；
5.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，在Convnet Block模块中使用了Drop Path模块；
6.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，在下采样模块中使用层归一化对输入特征进行通道维度上的归一化操作，提高模型的训练稳定性和泛化能力，使用步幅为2，大小为2×2的卷积核进行下采样
7.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的SDSS损坏图像分类网络，其特征在于：在整个特征提取过程中，Convnet Block模块和下采样模块交替堆叠，整个网络中Convnet Block模块的数量依次是3、4、6、3，每个阶段可以通过修改ConvnetBlock模块中的深度和宽度，以满足不同数据集的任务和需求。
...【技术特征摘要】
1.一种基于多层感知机和深度可分离卷积的sdss损毁图像分类网络，其特征在于：convnet block模块和降采样模块；
2.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络，在convnet block模块中使用了多层感知机模块；
3.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络，在convnet block模块中使用了深度可分离卷积模块；
4.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的sdss损坏图像分类网络，在convnet block模块中使用了注意力机制；
5.根据权利要求1所述，一种基于多层感知机和深度可分离卷积的sdss损坏图像分类...
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。