【技术实现步骤摘要】
本专利技术属于目标识别的，具体是一种基于u型注意力特征融合网络的射电星系目标检测方法。
技术介绍
1、天文学是基于观测的自然科学，对天空地图中的星系物体进行检测识别以创建星系目录有利于进一步研究，其目的在于检测识别天文地图中的星系物体，然后检索这些星系物体的属性以制作完备的目录，所以创建完整可靠的星系物体目录对天文研究有着深远的影响。随着科技的发展进步，使得天文物体探测器采集天文数据的性能急速提升，利用现代望远镜进行的天空观测使射电星系图像的大小和质量大幅增加，这给天文新发现带来了巨大的挑战和机遇，然而不可能通过人工目视检查来识别分类如此海量数据，因此对这些海量天文数据进行分类具有一定的挑战性，这时就需要自动检测识别分类方法来应对。
2、近年来人工智能技术已广泛应用于人脸识别、图像处理、自动驾驶、医学图像分析等领域，其中卷积神经网络cnn是学术界和工业界性能较好的图像识别分类器，于是研究者们根据卷积神经网络cnn较好的分类性能，开发了许多基于深度学习的天文物体检测器和分类器。但是射电星系图像根据形态进行分类，而且射电星系的类别形态各异，尺度多样，这需要让神经网络重点关注射电星系的形态轮廓和尺度信息来提升检测分类性能。
技术实现思路
1、本专利技术的目的是针对现有技术的不足，而提供一种基于u型注意力特征融合网络的射电星系目标检测方法。这种方法能够促进网络中多尺度星系特征的信息融合，并重点关注星系特征图中关键信息的位置，以提升射电星系分类性能。
2、实现本专利技
3、一种基于u型注意力特征融合网络的射电星系目标检测方法，包括以下步骤：
4、1)对星系图像进行多尺度特征提取：首先将星系图像i进行随机水平、垂直翻转数据增强，然后输入到星系特征提取主干网络net,得到不同尺度的星系特征图f1、f2、f3、f4，如公式(1)所示：
5、fi＝net(i),i＝1,2,3,4 (1)；
6、2)引入注意力模块关注星系特征图的关键信息：在u型特征融合网络进行特征融合时引入注意力模块，使星系特征图f进入通道注意力模块netcam和空间注意力模块netsam对星系特征信息的通道和空间位置进行重点关注，让模型可以更加关注星系特征图的关键信息，而抑制不重要的特征信息，利于网络进一步星系特征学习，如公式(2)、公式(3)所示：
7、
8、
9、其中，mcam表示通道注意力系数，msam表示空间注意力系数，符号表示对应位置点乘；
10、3)设计u型特征融合网络进行多尺度星系特征融合：将特征提取主干网络输出的星系特征图输入到u型特征融合网络，通过卷积、注意力增强、下采样、上采样组合操作，实现星系深层特征和星系浅层特征的融合，最终输出通道数一致特征尺度不同的u1、u2、u3和u4星系特征图，使不同尺度特征图都包含有其它尺度特征图的信息，有利于对不同尺度的目标进行特征提取，如公式(4)、公式(5)、公式(6)、公式(7)、公式(8)所示：
11、f1'＝conv(netcam(f1)) (4)，
12、
13、f5'＝down(netsam(netcam(f4'))) (6)，
14、
15、u5＝conv(f5') (8)，
16、其中，conv表示卷积运算，表示u型特征融合网络中自上而下的下采样模块，表示u型特征融合网络中自下而上的上采样模块，down表示对星系特征图下采样，fi'表示fi在u型特征融合网络的中间特征；
17、4)获取星系特征图中的星系区域：采用星系区域候选网络提取出星系特征图中的含有的星系区域roi_box，然后根据roi_box边框的归一化宽w、高h计算边框尺度等级roi_level得到边框对应的尺度星系特征图,如公式(9)所示：
18、
19、对roi_level四舍五入且对小于2的值取2、对大于5的值取5，最后判定roi_level＝2则roi_box边框对应星系特征图u1进行映射，同理roi_level＝3则roi_box边框对应星系特征图u2进行映射，roi_level＝4则roi_box边框对应星系特征图u3进行映射；roi_level＝5则roi_box边框对应u4特征图进行映射；
20、5)对星系区域的星系特征图进行量化：根据星系区域边框roi_box映射的星系特征图采用双线性内插的量化方法roi_quantify获得固定尺寸的星系特征图froi_box,如公式(10)所示:
21、froi_box＝roi_quantify(roi_box,uroi_level-1) (10)；
22、6)对星系区域特征进行分类回归：将星系特征矩阵froi_box进行卷积，然后展平flatten为一维星系特征f′roi_box，输入到多层感知机网络mlp，实现对星系区域的星系进行分类class和星系边框位置box进行回归，最终完成射电星系目标检测，如公式(11)、公式(12)所示：
23、f′roi_box＝flatten(froi_box) (11)，
24、(class,box)＝mlp(f′roi_box) (12)，
25、步骤2)中所述的注意力模块具体为：
26、通道注意力模块首先将星系特征图f进入通道注意力模块获取通道注意力系数mcam，然后进行星系特征图f与通道注意力系数mcam相乘得到通道注意力增强的星系特征图，空间注意力模块同时将通道注意力增强后的星系特征图进入空间注意力模块获取空间注意力系数msam，然后进行星系特征图与空间注意力系数msam相乘得到空间注意力增强的星系特征图，注意力系数计算如公式(13)，公式(14)所示：
27、mcam＝sigmoid(w1(w0(poolavg(f)))+w1(w0(poolmax(f)))) (13)，
28、msam＝sigmoid(conv7×7([poolavg(f)；poolmax(f)])) (14)，
29、其中，c是通道数，r减少率，poolavg表示平均池化运算，poolmax表示最大池化运算，sigmoid表示激活函数。
30、步骤3)中所述的u型特征融合网络具体为：
31、u型特征多尺度融合网络主要分为自上而下的特征融合模块与自下而上的特征融合模块首先对星系特征图进行注意力增强，然后下采样与另一个尺度的星系特征图进行拼接，然后卷积下采样，以此类推进行了注意力增强、下采样与不同尺度的星系特征图拼接，最后进行上采样与不同尺度星系特征图本文档来自技高网...
【技术保护点】
1.一种基于U型注意力特征融合网络的射电星系目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于U型注意力特征融合网络的射电星系目标检测方法，其特征在于，步骤2)中所述的注意力模块具体为：
3.根据权利要求1所述的基于U型注意力特征融合网络的射电星系目标检测方法，其特征在于，步骤3)中所述的U型特征融合网络具体为：
【技术特征摘要】
1.一种基于u型注意力特征融合网络的射电星系目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于u型注意力特征融合网络的射电星系目标检测方法，其特征在...
【专利技术属性】
技术研发人员：林乐平，温剑钧，欧阳宁，莫建文，
申请(专利权)人：桂林电子科技大学，
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。