【技术实现步骤摘要】
本专利技术涉及星载深度学习目标检测，尤其涉及一种基于星地协同的星载地面目标识别算法自动更新方法。
技术介绍
1、星载是指安装在卫星上的设备或系统，用于执行各种任务，例如通信、遥感、导航等。星载设备通常需要具备高度的可靠性和稳定性，以应对极端的环境条件和长期的运行时间。在卫星上使用深度学习算法可以实现更高效、更准确的数据处理和分析，因此在星载设备上应用深度学习算法已经成为一个研究热点。
2、为了提高星载目标识别算法在真实数据上的检测性能，通常需要收集卫星在轨真实数据，并由相关领域的技术人员执行数据筛选、目标信息标注、预处理等操作。接着，利用处理后的数据对原有算法模型进行精调训练，以提高算法的泛化能力，最终再次上注卫星。这个过程需要耗费较长时间，且需要人力介入。考虑到未来在轨卫星数量的急剧增长，目前的星载深度学习目标识别算法重构流程难以满足大批量卫星同时开展性能自动化升级的需求。
技术实现思路
1、有鉴于此，本专利技术提出一种基于星地协同的星载地面目标识别算法自动更新方法，以解决现有技术中存在的星载目标识别算法重构难以满足大批量卫星同时开展性能自动化升级的问题。
2、本专利技术具体的技术方案如下：
3、一种基于星地协同的星载地面目标识别算法自动更新方法，包括以下步骤：
4、步骤1，星载计算单元获取热点区域的多次成像，并将图像送入在轨数据筛选程序；
5、步骤2，利用开源数据集预训练的星载深度学习目标识别算法，对图像进行目标特征的
6、步骤3，识别出包含疑似目标的图像后，结合目标模板数据统计值对图像进行筛选；
7、步骤4，从目标置信度和目标特征距离两个维度进行综合评估，从筛选出的图像中选择最有利于算法迁移的目标信息；
8、步骤5，将筛选后的结果通过下行链路传输回地面；
9、步骤6，地面系统接收并积累卫星下行数据，并发送至高性能云服务器；
10、步骤7，在服务器上，执行半监督学习方法，利用无标记的高质量在轨真实数据和地面己有的遥感数据集，在目标检测算法模型的迁移学习框架下完成算法模型的更新和升级；
11、步骤8，更新完成的算法模型通过性能评估后，发送至地面系统完成模型上注工作；
12、步骤9，更新完成的算法模型被部署至卫星平台，实现星载算法重构。
13、具体地，所述步骤1中，所述在轨数据筛选程序包括：发射前的模板数据统计信息计算，以及卫星入轨后在轨识别目标的筛选。
14、具体地，所述模板数据统计信息计算包括以下步骤：
15、步骤11，设表示数据集中待识别目标类别为c的第i个目标的位置边框，提取特征图中目标位置边框对应区域数据，经热点区域对齐操作后形成统一尺寸，再使用扁平化函数将其转化为特征向量加入模板特征向量集合fc，每个模板特征向量集合fc包括数量为n的典型目标特征向量；
16、步骤12，重复执行所述步骤11生成所有待识别目标类别的特征向量集合，对于每个模板特征向量集合fc，进一步计算集合中所有样本的均值μc和协方差矩阵的求逆并将统计值预先存储到星载计算单元中。
17、具体地，所述在轨识别目标的筛选包括以下步骤：
18、设星载算法在图像中识别出有效目标信息s＝(cls，bbox，score)，其中cls为目标类别，bbox为目标的位置边框位置，score为目标置信度；
19、若目标置信度score高于设定阈值score＞τs，数据筛选模块开展图像特征级筛选，根据目标位置边框bbox按照与地面相同的计算流程生成目标对应的特征向量x，随后筛选模块调用预存储的模板均值μc＝cls和协方差矩阵的求逆并使用马氏距离表示目标对应的特征向量x到模板数据的特征距离df；
20、若特征距离df大于设定阈值τf，则目标数据通过筛选，卫星将以最高优先级下传目标信息s及包含目标的图像数据xu用于地面云服务器的进一步训练。
21、具体地，所述使用马氏距离表示目标对应的特征向量x到模板数据的特征距离df的计算公式如下：
22、
23、其中，特征距离df表征了当前的星载目标识别算法对在轨真实数据和训练数据集之间的区分能力；x为目标对应的特征向量；μc＝cls为预存储的模板均值；为协方差矩阵的求逆。
24、具体地，所述步骤7具体为：采用了基于增广数据一致性的半监督学习框架来实现模型的进一步训练，模型更新步骤如下：地面接收来自卫星的图像数据xu及目标信息s，加入在轨数据集xu；在轨数据集完成积累后，对其中的每组图像数据和对应目标信息执行数据增广操作；使用带标签的地面数据集xs和在轨数据集xu，在半监督学习的框架下开展目标识别算法模型的训练和更新。
25、具体地，所述半监督学习包括地面数据集对算法模型的监督训练和在轨数据集对算法模型的无监督训练；其中，监督训练沿用深度学习目标识别算法的训练方式，无监督训练利用在轨图像数据增广前后目标信息的一致性开展训练。
26、具体地，无监督训练具体为：在每一轮训练过程中，在数据集xs和xu中随机抽取混合后形成批量数据，并使用损失函数lss进行算法模型更新，由以下公式表示：
27、lss＝l(xs，p，t)+λul(a(xu，s)，q)
28、其中，lss代表损失函数；l(.)代表目标识别算法模型训练使用的损失函数，由实际使用的目标识别算法框架确定；xs为当前训练批次中的地面数据集图像；p表示本次训练过程中算法预测的地面图像数据中目标位置及类别；t表示地面数据集实际标注的目标位置及类别；λu表示平衡监督训练和无监督训练两个损失函数之间的权重；xu为当前训练批次中的在轨数据集图像；q表示本次训练过程中算法预测的在轨图像数据中目标位置及类别；s表示对应的下传目标信息，作为伪标签指导模型训练；a(xu，s)代表经过数据增广操作后的在轨图像数据和对应的目标位置及类别。
29、本专利技术的有益效果在于：
30、本申请提供一种基于星地协同的星载地面目标识别算法自动更新方法，本专利技术将端云一体化计算范式应用于星载软件在轨重构任务中，通过合理地分配计算任务，将计算任务在地面高性能云服务器和运算资源受限的星载计算单元之间进行分配，这种分配方式可以显著降低星地通信带宽的需求，并进一步缩短星载智能目标识别算法的重构周期，因此，本申请可以提高星载软件的计算效率和重构速度，并减少对通信系统的依赖，使大批量卫星可以同时开展性能自动化升级的任务。
本文档来自技高网...【技术保护点】
1.一种基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述步骤1中，所述在轨数据筛选程序包括：发射前的模板数据统计信息计算，以及卫星入轨后在轨识别目标的筛选。
3.如权利要求2中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述模板数据统计信息计算包括以下步骤：
4.如权利要求2中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述在轨识别目标的筛选包括以下步骤：
5.如权利要求4中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述使用马氏距离表示目标对应的特征向量x到模板数据的特征距离df的计算公式如下：
6.如权利要求1中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述步骤7具体为：采用了基于增广数据一致性的半监督学习框架来实现模型的进一步训练，模型更新步骤如下：地面接收来自卫星的图像数据xu及目标信息s，加入在轨数据集Xu；
7.如权利要求6中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述半监督学习包括地面数据集对算法模型的监督训练和在轨数据集对算法模型的无监督训练；其中，监督训练沿用深度学习目标识别算法的训练方式，无监督训练利用在轨图像数据增广前后目标信息的一致性开展训练。
8.如权利要求7中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，无监督训练具体为：在每一轮训练过程中，在数据集Xs和Xu中随机抽取混合后形成批量数据，并使用损失函数Lss进行算法模型更新，由以下公式表示：
...【技术特征摘要】
1.一种基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述步骤1中，所述在轨数据筛选程序包括：发射前的模板数据统计信息计算，以及卫星入轨后在轨识别目标的筛选。
3.如权利要求2中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述模板数据统计信息计算包括以下步骤：
4.如权利要求2中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述在轨识别目标的筛选包括以下步骤：
5.如权利要求4中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述使用马氏距离表示目标对应的特征向量x到模板数据的特征距离df的计算公式如下：
6.如权利要求1中所述的基于星地协同的星载地面目标识别算法自动更新方法，其特征在于，所述步骤7具体为：...
【专利技术属性】
技术研发人员：李路，施琦，王大恒，刘华秋，余金培，解放，毕幸子，
申请(专利权)人：中国科学院微小卫星创新研究院，
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。