申请/专利权人：天目山实验室

申请日：2024-01-12

公开（公告）日：2024-04-12

公开（公告）号：CN117876684A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/44;G06V10/766;G06V10/82;G06V10/80;G06N3/045;G06N3/0464;G06N3/0499;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于完全自注意力机制的多航天器分割装置和方法，装置包含：基于自注意力架构的多航天器分割模型，结合自注意力机制提取探测数据的多阶段、多尺度特征，并进一步设计基于特征金字塔的非对称多级特征融合解码模块，最终得到像素级别的空间探测语义信息；然后，构建基于自动编码掩码增强模块，通过引入随机掩码丢弃增强模型对缺损信息的泛化能力，增加样本分布多样性，从而通过预训练改善模型参数，提升模型对航天器信息缺损情况下的识别能力，提高了运算精度并减少了训练时间。最终的模型在大规模航天器数据集上对进行评估测试，验证了本方法的性能，能够在模型轻量化的基础上实现高精度的语义分割和身份判别。

主权项：1.一种基于完全自注意力机制的多航天器分割装置，其特征在于，所述装置包括以下模块，基于自注意力模型的多级特征分阶段提取模型；基于特征金字塔的多航天器语义分析模型；输入图像的多模式扰动方式，基于自监督方法的语义分析模型预训练框架；其中：基于自注意力模型的多级特征分阶段提取模型，对归一化后的图像数据通过相同框架的编码阶段逐级提取，获得图像中粗粒度特征和细粒度特征，多级特征分阶段提取模型包括5个依次相连的编码阶段，通过多个编码阶段，特征图逐步减小且特征通道逐步增大；每个编码阶段采用相同的步骤，包括依次进行的图像块序列生成、自注意编码、前馈卷积编码、特征循环泛化；基于特征金字塔的多航天器语义分析模型，通过反卷积层进行特征图的上采样计算，将特征图逐层放大；然后，将上采样计算得到特征图与该编码阶段得到的特征图进行融合连接，进行逐层上采样，实现特征增强；最后，利用二维卷积将融合得到的特征图进行通道合并，得到与目标类别一致的通道数，最终在像素级别实现目标航天器的语义分析；输入图像的多模式扰动方式，考虑多种扰动方式对数据输入存在不同的影响，设计重叠图像块丢弃、非重叠图像块丢弃、噪声覆盖、随机掩码覆盖四种方式实现对输入图像的随机干扰，为模型预训练提供数据模态；基于自监督方法的语义分析模型预训练框架，对于的多航天器语义分析模型，通过修改最后阶段的网络输出及损失函数，对输入图像数据进行随机扰动后，以原输入图像数据作为学习目标进行模型训练，训练结果作为预训练模型进行多航天器分割的任务学习，强化模型作业性能，提升最终语义分析精度。

全文数据：

权利要求：

百度查询： 天目山实验室 一种基于完全自注意力机制的多航天器分割装置和方法

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