一种基于半监督的天文时频图像目标检测方法及系统技术方案

本发明专利技术公开了一种基于半监督的天文时频图像目标检测方法，属于基于计算机视觉的天文图像处理领域。本发明专利技术包括：对基于T‑UNet学生射频干扰检测模型进行预训练和验证；利用预训练好的基于T‑UNet学生射频干扰检测模型对应的参数文件对基于T‑UNet教师射频干扰检测模型中对应的参数进行更新；对更新后的基于T‑UNet教师射频干扰检测模型进行训练，输出伪标签；将伪标签对应的天文时频图像，作为第二有标注训练集；利用第二有标注训练集进行扩充，对预训练好的基于T‑UNet学生射频干扰检测模型进行增强训练和验证，获得增强训练好的基于T‑UNet学生射频干扰检测模型。本发明专利技术可以在保证检测精度的同时显著减少标注的工作量。

【技术实现步骤摘要】

本专利技术涉及一种基于半监督的天文时频图像目标检测方法及系统，属于基于计算机视觉的天文图像处理领域。

技术介绍

1、现代无线通信系统面临着日益复杂的射频干扰（rfi）挑战，这些干扰不仅来自传统的人为信号源，还包括5g通信、物联网设备等新型干扰源。这些干扰呈现出时变性强、频谱特征复杂等特点，给传统基于阈值和规则的分析方法带来了巨大挑战。针对这一问题，基于深度学习的智能检测方法展现出独特优势，能够从海量频谱数据中自动学习干扰特征，实现更精准的干扰识别。

2、在基于深度学习的射频干扰检测识别领域中，全监督方法最为常见，该项技术能够实现较好的识别效果，但不足之处显著，人工标注标签耗费成本突出。基于此，半监督学习为rfi检测提供了一种创新解决方案，但目前针对天文领域的射频检测仍旧缺乏有效解决方案。因此，在射频检测任务中，如何利用少量标注数据和大量未标注数据，来降低模型训练对标注数据的依赖，并同时确保模型的检测精度，仍是值得研究的问题。

技术实现思路

1、本专利技术提供了一种基于半监督的天文时频图像目标检测方本文档来自技高网...

【技术保护点】

1.一种基于半监督的天文时频图像目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于半监督的天文时频图像目标检测方法，其特征在于，所述基于半监督的天文时频图像目标检测方法，还包括：在预设预测次数下，每次重复执行S3-S6对有标注测试集进行预测，在每次预测后，依据评判指标对有标注测试集的结果进行评判，保存评判指标高于预设值且最高的增强训练好的基于T-UNet学生射频干扰检测模型；依据保存的增强训练好的基于T-UNet学生射频干扰检测模型，对待预测天文时频图像进行预测。

3.根据权利要求1所述的基于半监督的天文时频图像目标检测方法，其特征在于，所述对...

【技术特征摘要】

1.一种基于半监督的天文时频图像目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于半监督的天文时频图像目标检测方法，其特征在于，所述基于半监督的天文时频图像目标检测方法，还包括：在预设预测次数下，每次重复执行s3-s6对有标注测试集进行预测，在每次预测后，依据评判指标对有标注测试集的结果进行评判，保存评判指标高于预设值且最高的增强训练好的基于t-unet学生射频干扰检测模型；依据保存的增强训练好的基于t-unet学生射频干扰检测模型，对待预测天文时频图像进行预测。

3.根据权利要求1所述的基于半监督的天文时频图像目标检测方法，其特征在于，所述对第二训练集的伪标签进行过滤，获得高质量伪标签，具体为：对第二训练集的伪标签，采用蒙特卡洛dropout方法自...

【专利技术属性】
技术研发人员：梁波，杨怀宇，张璇，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：