申请/专利权人：吉林大学

申请日：2024-02-23

公开（公告）日：2024-04-02

公开（公告）号：CN117809190A

主分类号：G06V20/10

分类号：G06V20/10;G06N3/0455;G06N3/0464;G06N3/048;G06N3/082;G06N3/084;G06V10/774;G06V10/776;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：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。

主权项：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AttentionUNet模型，对AttentionUNet模型中的所有参数进行初始化，并使用训练集对AttentionUNet模型进行训练；S6：使用验证集对训练得到的AttentionUNet模型进行验证，计算AttentionUNet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AttentionUNet模型作为最终的AttentionUNet测试模型，利用测试集对AttentionUNet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AttentionUNet测试模型中，得到预测结果。

全文数据：

权利要求：

百度查询： 吉林大学 基于深度学习的撞击坑溅射物识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD