System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标识别的技术,具体是一种基于空间特征聚合网络的射电星系形态识别与分割方法。
技术介绍
1、随着科技的不断发展进步,现代天文望远镜的设计和制造技术得到了显著提升,这些现代望远镜采集到的天文成像数据极其庞大,使天文星系研究步入大数据时代,这给天文研究带来了巨大的挑战和新的机遇,其中对于射电星系的形态演化研究,需要对天文望远镜采集到的射电星系图像进行形态分类研究。然而面对现代望远镜采集的海量星系图像数据,通过人工识别分类是不现实的,因此需要应用一种效率高、准确性好的星系图像自动化形态识别与分割方法。
2、目前在图像的目标识别与分割算法中,yolov8有着速度快、准确率高等优点,被广泛应用在自动驾驶、工业检测、视频监控以及医疗检测等领域。但由于射电星系图像根据形态进行分类,而yolov8使用堆叠卷积层进行特征提取,这样作对空间特征信息关注度低,不能很好地应对射电星系的多尺度形态结构信息。为此对yolov8算法进行改进,使网络有效提取射电星系的形态空间结构信息,提升射电星系的形态识别与分割性能是很有必要的。
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,而提供一种基于空间特征聚合网络的射电星系形态识别与分割方法。这种方法能够促进网络中对于通道和空间特征的整合能力,同时促进特征感知融合,能有效聚合多尺度空间结构信息、有利于射电星系形态识别与分割。
2、实现本专利技术目的的技术方案是:
3、一种基于空间特征聚合网络的射电星系形态识别与
4、1)提取星系特征语义信息f1、f2、f3:首先将星系图像i输入到yolov8特征提取网络backbone中,提取不同层级的星系语义特征f1、f2、f3,如公式(1)所示:
5、fi=backbone(i),i=1,2,3 (1);
6、2)采用极化自注意力模块fp构建注意力增强特征fp:在yolov8的c2f特征提取模块中采用极化自注意力模块fp,使星系特征f通过通道自注意力支路netch和空间自注意力支路netsp对星系特征的通道维度和空间维度信息进行加权提取,最后对通道和空间加权特征进行相加,得到极化自注意力增强特征fp,如公式(2)、公式(3)、公式(4)所示:
7、netch(f)=wch(f)×f (2),
8、netsp(f)=wsp(f)×f (3),
9、fp=fp(f)=netch(f)+netsp(f) (4),
10、其中,wch表示通道权重,wsp表示空间权重;
11、3)自下而上拼接不同层级语义特征得到融合特征p1、p2:将星系特征提取网络backbone提取的语义特征f1、f2、f3,通过上采样fup、特征拼接concat、c2f极化自注意力模块fc2f-p运算,实现星系不同层级语义特征的拼接融合,得到尺度不同的星系融合特征p1、p2,如公式(5)、公式(6)所示:
12、p1=fc2f-p(concat(f2,fup(f3))) (5),
13、p2=concat(f1,fup(p1)) (6);
14、4)自上而下提取空间聚合特征rf1、rf2、rf3:对不同层级特征p1、p2、f3采用空间金字塔池化-跨阶段特征连接模块netsc、空洞卷积残差模块netasr、下采样卷积cbsd运算,实现星系不同层级语义特征的感知融合,并多尺度捕获空间特征的上下文信息,得到空间聚合特征rf1、rf2、rf3,如公式(7)、公式(8)、公式(9)所示:
15、rf1=netasr(netsc(p2)) (7),
16、rf2=netasr(netsc(concat(cbsd(rf1),p1))) (8),
17、rf3=netasr(netsc(concat(cbsd(rf2),f3))) (9);
18、5)输出星系目标的边框gbox、类别gclass、分割掩码gmask:将特征rf1经过掩码网络fm得到掩码特征m,然后将空间聚合特征rf1、rf2、rf3、掩码特征m,输入到星系边框检测网络fbox、形态分类网络fclass,形态分割网络fmask,得到星系图像目标的边框gbox、类别gclass、分割掩码gmask,实现射电星系图像的形态识别与分割任务,如公式(10)、公式(11)、公式(12)、公式(13)所示:
19、m=fm(rf1) (10),
20、gbox=fbox(rfi),i=1,2,3 (11),
21、gclass=fclass(rfi),i=1,2,3 (12),
22、gmask=fmask(rfi,m),i=1,2,3 (13)。
23、步骤2)中所述的极化自注意力模块fp具体为:
24、星系特征f进入极化自注意力模块fp后,分别进入通道自注意力支路netch和空间自注意力支路netsp,得到通道权重wch、空间权重wsp,然后对星系特征f分别与通道权重wch、空间权重wsp相乘,最后进行相加,得到极化自注意力增强特征fp,如公式(14)、公式(15)、公式(16)所示:
25、
26、
27、fp=fp(f)=wch(f)×f+wsp(f)×f (16),
28、其中,fsigmoid是sigmoid函数,fln是layernorm函数,fsm是softmax函数,frs是特征维度转换函数,是矩阵乘法函数,c是卷积cbs函数,fap是自适应平均池化函数。
29、步骤4)中所述的空间金字塔池化-跨阶段特征连接模块netsc具体为:
30、星系特征f进入空间金字塔池化-跨阶段特征连接模块netsc后,对输入特征f分为两条支路,其中一个分支经过卷积cbs得到跨阶段特征fc、另一个分支经过卷积cbs得到特征fs后,进行池化核大小为5的串联最大池化运算得到多尺度池化特征,然后对这些多尺度池化特征进行拼接concat得到f′s,最后采用卷积cbs与另一个支路的跨阶段特征fc进行拼接concat以及卷积cbs融合,得到最终融合特征fpc,如公式(17)、公式(18)、公式(19)、公式(20)所示:
31、fc=cbs(f) (17),
32、fs=cbs(f) (18),
33、
34、fpc=cbs(concat(fc,cbs(f′s))) (20)。
35、步骤4)中所述的空洞卷积残差模块netasr具体为:
36、星系特征f进入空洞卷积残差模块netasr后,进行卷积cbs和特征通道划分split,一半做外部支路特征fr、另一半做空洞卷积支路特征fa,在空洞卷积支路,对特征fa进行卷积cbs得到特征f′a,之后分别进行卷积核k大小为3、不同空洞本文档来自技高网...
【技术保护点】
1.一种基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,步骤2)中所述的极化自注意力模块fp具体为:
3.根据权利要求1所述的基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,步骤4)中所述的空间金字塔池化-跨阶段特征连接模块NetSC具体为:
4.根据权利要求1所述的基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,步骤4)中所述的空洞卷积残差模块NetASR具体为:
【技术特征摘要】
1.一种基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于空间特征聚合网络的射电星系形态识别与分割方法,其特征在于,步骤2)中所述的极化自注意力模块fp具体为:
3.根据权利要求1所述的基于空间...
【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。