本技術(shù)涉及深度學(xué)習(xí)的空間智能檢測，特別是涉及一種基于形態(tài)特征差異學(xué)習(xí)的空間碎片智能檢測方法和裝置。

背景技術(shù)：

1、傳統(tǒng)弱小空間碎片檢測算法通過手工提取特征信息，已經(jīng)能夠達到較高的檢測精度，但由于多數(shù)算法復(fù)雜度高，需要依賴準確的先驗信息等原因，存在檢測速度較慢，魯棒性差等問題，且當數(shù)據(jù)背景、成像方式改變時，容易出現(xiàn)大量的虛警與漏檢的現(xiàn)象，這在很大程度上影響了算法的實用性以及魯棒性。

2、近些年來，隨著深度學(xué)習(xí)技術(shù)迅速發(fā)展，基于深度學(xué)習(xí)的檢測算法在常規(guī)的目標檢測任務(wù)中應(yīng)用已較為成熟，但目前在弱小空間碎片檢測任務(wù)方面，相關(guān)的研究與應(yīng)用的實例較少，多數(shù)已被應(yīng)用的深度學(xué)習(xí)檢測算法依賴圖像配準，恒星去除等圖像預(yù)處理步驟，增加了檢測的復(fù)雜程度，不利于算法的智能性。此外，由于弱小空間碎片相對于常規(guī)目標可利用像素少、缺乏紋理信息，且隨著網(wǎng)絡(luò)層數(shù)增加，空間碎片的細節(jié)信息也逐漸丟失，常規(guī)的深度學(xué)習(xí)算法檢測效果不佳。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠解決目前深度學(xué)習(xí)算法進行單幀圖像目標檢測效果不佳問題的基于形態(tài)特征差異學(xué)習(xí)的空間碎片智能檢測方法和裝置。

2、一種基于形態(tài)特征差異學(xué)習(xí)的空間碎片智能檢測方法，所述方法包括：

3、獲取包含空間碎片目標標簽和/或恒星目標標簽的單幀圖像組成的訓(xùn)練樣本；

4、將所述訓(xùn)練樣本輸入空間碎片檢測網(wǎng)絡(luò)；所述空間碎片檢測網(wǎng)絡(luò)包括：多個編碼塊、上下文調(diào)節(jié)模塊、混合卷積自注意力單元、與編碼塊數(shù)量對應(yīng)的解碼塊以及融合預(yù)測單元，多個所述編碼塊自上而下級聯(lián)，并且第一層的所述編碼塊的輸入端輸入所述訓(xùn)練樣本，所述編碼塊的輸出端均連接所述上下文調(diào)節(jié)模塊，所述上下文調(diào)節(jié)模塊對所述編碼塊的輸出進行融合，得到上下文感知特征，并且根據(jù)所述上下文感知特征對所述編碼塊的輸出進行調(diào)節(jié)，得到調(diào)節(jié)特征，將所述調(diào)節(jié)特征輸出至對應(yīng)的解碼塊中，多個所述解碼塊自下而上級聯(lián)，最下層的解碼塊的輸入為所述調(diào)節(jié)特征以及最下層編碼塊的輸出，其他解碼塊的輸入為與其對應(yīng)的混合卷積自注意力單元的輸出，所述混合卷積自注意力單元用于對上一級解碼塊的輸出與當前解碼塊對應(yīng)的所述調(diào)節(jié)特征的融合結(jié)果進行注意力調(diào)節(jié)，所述融合預(yù)測單元的輸入端分別連接所述其他解碼塊的輸出，用于將其他解碼塊的輸出進行融合后，得到對于所述訓(xùn)練樣本的預(yù)測結(jié)果；

5、根據(jù)所述訓(xùn)練樣本的空間碎片目標標簽和/或恒星目標標簽以及所述預(yù)測結(jié)果，對所述空間碎片檢測網(wǎng)絡(luò)進行反向訓(xùn)練，以根據(jù)訓(xùn)練好的空間碎片檢測網(wǎng)絡(luò)對待檢測的單幀圖像進行空間碎片目標檢測。

6、在其中一個實施例中，還包括：所述上下文調(diào)節(jié)模塊對所述編碼塊的輸出通過上采樣進行尺度對齊后進行拼接融合，將融合后的特征通過空間金字塔池化結(jié)構(gòu)生成上下文感知特征；將所述上下文感知特征傳遞給所述上下文調(diào)節(jié)模塊的映射層，生成面向各個編碼塊的調(diào)節(jié)矩陣；利用所述調(diào)節(jié)矩陣調(diào)節(jié)生成各個編碼塊的調(diào)節(jié)特征。

7、在其中一個實施例中，所述解碼塊為多尺度可變形卷積塊；所述多尺度可變形卷積塊的權(quán)重分配一個二維偏移量；利用所述二維偏移量對所述多尺度可變形卷積塊的采樣網(wǎng)格進行增廣為：

8、；

9、其中，表示輸出特征的位置，為采樣網(wǎng)格中的相對位置，為權(quán)重參數(shù)。

10、在其中一個實施例中，所述多尺度可變形卷積塊的卷積塊使用3×3與5×5大小的可變形卷積核，并在可變形卷積運算前利用1×1卷積對特征進行降維，所述多尺度可變形卷積塊的輸出特征為：

11、；

12、；

13、其中，為線性整流激活函數(shù)，為批量歸一化，與分別代表卷積核大小為的可變形卷積以及標準卷積，表示拼接，為前一層特征，為當前多尺度可變形卷積塊的輸出特征。

14、在其中一個實施例中，所述混合卷積自注意力單元包括自注意力層、卷積塊以及1×1卷積;

15、所述卷積塊包括依次連接的3×3殘差卷積塊、所述多尺度可變形卷積塊以及3×3殘差卷積塊；

16、所述自注意力層包括依次連接的輸入特征嵌入層、第一歸一化層、多頭自注意力單元、第二歸一化層以及多層感知機；其中所述第二歸一化層的輸入為輸入特征嵌入層和多頭自注意力單元的輸出融合特征，所述自注意力層的輸出為多層感知機的輸出特征以及所述輸出融合特征；

17、所述1×1卷積的輸入為所述自注意力層和所述卷積塊的輸出疊加特征。

18、在其中一個實施例中，還包括：所述混合卷積自注意力單元用于對上一級解碼塊的輸出與當前解碼塊對應(yīng)的所述調(diào)節(jié)特征的融合結(jié)果進行注意力調(diào)節(jié)為：

19、；

20、其中，與分別表示位置處的輸入與輸出，表示全局區(qū)域，表示位置處的卷積權(quán)重，表示以為中心的局部鄰域，表示歸一化后的權(quán)值。

21、在其中一個實施例中，所述空間碎片檢測網(wǎng)絡(luò)還包括：八連通鄰域聚類模塊；所述八連通鄰域聚類模塊用于對所述預(yù)測結(jié)果中屬于同一目標的像素進行聚類并且標記，得到每個目標的質(zhì)心以及像素數(shù)目。

22、一種基于形態(tài)特征差異學(xué)習(xí)的空間碎片智能檢測裝置，所述裝置包括：

23、訓(xùn)練樣本獲取模塊，用于獲取包含空間碎片目標標簽和/或恒星目標標簽的單幀圖像組成的訓(xùn)練樣本；

24、預(yù)測模塊，用于將所述訓(xùn)練樣本輸入空間碎片檢測網(wǎng)絡(luò)；所述空間碎片檢測網(wǎng)絡(luò)包括：多個編碼塊、上下文調(diào)節(jié)模塊、混合卷積自注意力單元、與編碼塊數(shù)量對應(yīng)的解碼塊以及融合預(yù)測單元，多個所述編碼塊自上而下級聯(lián)，并且第一層的所述編碼塊的輸入端輸入所述訓(xùn)練樣本，所述編碼塊的輸出端均連接所述上下文調(diào)節(jié)模塊，所述上下文調(diào)節(jié)模塊對所述編碼塊的輸出進行融合，得到上下文感知特征，并且根據(jù)所述上下文感知特征對所述編碼塊的輸出進行調(diào)節(jié)，得到調(diào)節(jié)特征，將所述調(diào)節(jié)特征輸出至對應(yīng)的解碼塊中，多個所述解碼塊自下而上級聯(lián)，最下層的解碼塊的輸入為所述調(diào)節(jié)特征以及最下層編碼塊的輸出，其他解碼塊的輸入為與其對應(yīng)的混合卷積自注意力單元的輸出，所述混合卷積自注意力單元用于對上一級解碼塊的輸出與當前解碼塊對應(yīng)的所述調(diào)節(jié)特征的融合結(jié)果進行注意力調(diào)節(jié)，所述融合預(yù)測單元的輸入端分別連接所述其他解碼塊的輸出，用于將其他解碼塊的輸出進行融合后，得到對于所述訓(xùn)練樣本的預(yù)測結(jié)果；

25、訓(xùn)練模塊，用于根據(jù)所述訓(xùn)練樣本的空間碎片目標標簽和/或恒星目標標簽以及所述預(yù)測結(jié)果，對所述空間碎片檢測網(wǎng)絡(luò)進行反向訓(xùn)練，以根據(jù)訓(xùn)練好的空間碎片檢測網(wǎng)絡(luò)對待檢測的單幀圖像進行空間碎片目標檢測。

26、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

27、獲取包含空間碎片目標標簽和/或恒星目標標簽的單幀圖像組成的訓(xùn)練樣本；

28、將所述訓(xùn)練樣本輸入空間碎片檢測網(wǎng)絡(luò)；所述空間碎片檢測網(wǎng)絡(luò)包括：多個編碼塊、上下文調(diào)節(jié)模塊、混合卷積自注意力單元、與編碼塊數(shù)量對應(yīng)的解碼塊以及融合預(yù)測單元，多個所述編碼塊自上而下級聯(lián)，并且第一層的所述編碼塊的輸入端輸入所述訓(xùn)練樣本，所述編碼塊的輸出端均連接所述上下文調(diào)節(jié)模塊，所述上下文調(diào)節(jié)模塊對所述編碼塊的輸出進行融合，得到上下文感知特征，并且根據(jù)所述上下文感知特征對所述編碼塊的輸出進行調(diào)節(jié)，得到調(diào)節(jié)特征，將所述調(diào)節(jié)特征輸出至對應(yīng)的解碼塊中，多個所述解碼塊自下而上級聯(lián)，最下層的解碼塊的輸入為所述調(diào)節(jié)特征以及最下層編碼塊的輸出，其他解碼塊的輸入為與其對應(yīng)的混合卷積自注意力單元的輸出，所述混合卷積自注意力單元用于對上一級解碼塊的輸出與當前解碼塊對應(yīng)的所述調(diào)節(jié)特征的融合結(jié)果進行注意力調(diào)節(jié)，所述融合預(yù)測單元的輸入端分別連接所述其他解碼塊的輸出，用于將其他解碼塊的輸出進行融合后，得到對于所述訓(xùn)練樣本的預(yù)測結(jié)果；

29、根據(jù)所述訓(xùn)練樣本的空間碎片目標標簽和/或恒星目標標簽以及所述預(yù)測結(jié)果，對所述空間碎片檢測網(wǎng)絡(luò)進行反向訓(xùn)練，以根據(jù)訓(xùn)練好的空間碎片檢測網(wǎng)絡(luò)對待檢測的單幀圖像進行空間碎片目標檢測。

30、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

31、獲取包含空間碎片目標標簽和/或恒星目標標簽的單幀圖像組成的訓(xùn)練樣本；

32、將所述訓(xùn)練樣本輸入空間碎片檢測網(wǎng)絡(luò)；所述空間碎片檢測網(wǎng)絡(luò)包括：多個編碼塊、上下文調(diào)節(jié)模塊、混合卷積自注意力單元、與編碼塊數(shù)量對應(yīng)的解碼塊以及融合預(yù)測單元，多個所述編碼塊自上而下級聯(lián)，并且第一層的所述編碼塊的輸入端輸入所述訓(xùn)練樣本，所述編碼塊的輸出端均連接所述上下文調(diào)節(jié)模塊，所述上下文調(diào)節(jié)模塊對所述編碼塊的輸出進行融合，得到上下文感知特征，并且根據(jù)所述上下文感知特征對所述編碼塊的輸出進行調(diào)節(jié)，得到調(diào)節(jié)特征，將所述調(diào)節(jié)特征輸出至對應(yīng)的解碼塊中，多個所述解碼塊自下而上級聯(lián)，最下層的解碼塊的輸入為所述調(diào)節(jié)特征以及最下層編碼塊的輸出，其他解碼塊的輸入為與其對應(yīng)的混合卷積自注意力單元的輸出，所述混合卷積自注意力單元用于對上一級解碼塊的輸出與當前解碼塊對應(yīng)的所述調(diào)節(jié)特征的融合結(jié)果進行注意力調(diào)節(jié)，所述融合預(yù)測單元的輸入端分別連接所述其他解碼塊的輸出，用于將其他解碼塊的輸出進行融合后，得到對于所述訓(xùn)練樣本的預(yù)測結(jié)果；

33、根據(jù)所述訓(xùn)練樣本的空間碎片目標標簽和/或恒星目標標簽以及所述預(yù)測結(jié)果，對所述空間碎片檢測網(wǎng)絡(luò)進行反向訓(xùn)練，以根據(jù)訓(xùn)練好的空間碎片檢測網(wǎng)絡(luò)對待檢測的單幀圖像進行空間碎片目標檢測。

34、上述基于形態(tài)特征差異學(xué)習(xí)的空間碎片智能檢測方法和裝置，構(gòu)建了空間碎片檢測網(wǎng)絡(luò)用于空間碎片檢測，其中多個編碼塊、上下文調(diào)節(jié)模塊構(gòu)建編碼器部分，混合卷積自注意力單元、與編碼塊數(shù)量對應(yīng)的解碼塊構(gòu)成了解碼器部分，其中，在編碼器部分，上下文信息調(diào)節(jié)模塊利用蘊含底層細節(jié)信息的上下文感知特征對編碼器的輸出特征進行調(diào)節(jié)，緩解深層網(wǎng)絡(luò)丟失弱小目標信息丟失的問題，為后續(xù)形態(tài)特征的提取與復(fù)原提供更多的目標細節(jié)信息；進一步在解碼器部分，引入混合卷積自注意力單元，以增強網(wǎng)絡(luò)的局部特征提取以及全局感知能力，幫助網(wǎng)絡(luò)更加精準分割空間碎片，從而提升深度學(xué)習(xí)對于空間碎片目標的檢測能力。