【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。