基于深度学习的撞击坑溅射物识别方法
摘要文本
本发明涉及遥感影像处理领域，尤其涉及一种基于深度学习的撞击坑溅射物识别方法，针对人工对行星表面撞击坑溅射物进行提取费时费力、效率低下的问题，本发明基于语义分割UNet网络模型和AG注意力机制模块，提出了一种基于深度学习的撞击坑溅射物识别方法。该方法使用行星影像数据来作为模型的训练数据，通过向UNet模型中加入AG注意力机制模块，来消除跳跃连接中的不相关和有噪声的响应歧义，以提高整体模型对撞击坑溅射物的特征提取能力、提高识别精准度。
申请人信息
- 申请人:吉林大学
- 申请人地址:130012 吉林省长春市前进大街2699号
- 发明人: 吉林大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于深度学习的撞击坑溅射物识别方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410201557.5 |
| 申请日 | 2024/2/23 |
| 公告号 | CN117809190A |
| 公开日 | 2024/4/2 |
| IPC主分类号 | G06V20/10 |
| 权利人 | 吉林大学 |
| 发明人 | 何笑琪; 李世超; 刘子涵 |
| 地址 | 吉林省长春市前进大街2699号 |
专利主权项内容
1.一种基于深度学习的撞击坑溅射物识别方法，其特征在于， 包括如下步骤：S1：获取行星表面影像数据，以目标撞击坑位置为中心对行星表面影像数据中的撞击坑附近区域图像进行截取，作为撞击坑图像数据；S2：基于所获得的撞击坑图像数据，使用数据标注软件对撞击坑图像中的溅射物进行标注，并构建样本集；S3：对标注溅射物后的撞击坑图像数据按照预定比例进行训练集、验证集、测试集的划分，并通过数据增强方法对样本集进行扩充；S4：对样本集的图像数据进行预处理；S5：构建Attention UNet模型，对Attention UNet模型中的所有参数进行初始化，并使用训练集对Attention UNet模型进行训练；S6：使用验证集对训练得到的Attention UNet模型进行验证，计算Attention UNet模型的损失值，重复步骤S5的训练过程，直至验证集损失值已连续预设轮次不再减少；S7：选取验证集损失值最低的Attention UNet模型作为最终的Attention UNet测试模型，利用测试集对Attention UNet测试模型进行测试；S8：将待检测的图像调整至合适大小后，输入到Attention UNet测试模型中，得到预测结果。。数据由马 克 团 队整理