CN113963249B - 一种星系图像的检测方法和系统 - Google Patents
一种星系图像的检测方法和系统 Download PDFInfo
- Publication number
- CN113963249B CN113963249B CN202111271350.8A CN202111271350A CN113963249B CN 113963249 B CN113963249 B CN 113963249B CN 202111271350 A CN202111271350 A CN 202111271350A CN 113963249 B CN113963249 B CN 113963249B
- Authority
- CN
- China
- Prior art keywords
- star
- image
- candidate
- star candidate
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种星系图像的检测方法和系统,用于实现全程高效自动检测星系图像,所述方法包括:使用目标检测模型检测天体图像样本,识别出星系候选体;利用所述星系候选体获取星系候选体图像样本,所述星系候选体图像样本中每个图像的尺寸小于所述天体图像样本中的每个图像的尺寸;利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像进行聚类,获取带类别标签的图像数据集合;利用所述带类别标签的图像数据集合以及所述星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的所述半监督神经网络模型对所述星系候选体图像样本进行分类,获取星系图像。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种星系图像的检测方法和系统。
背景技术
星系指的是数量巨大的恒星系及星际尘埃组成的运行系统,是构成宇宙的基本单位,是宇宙研究中的重要研究对象。
目前,通过天文图像获取星系图像,但是在一张图像中有数千上万的天体对象,其中包含了恒星、星系、类星体等多种天体,通过人工智能方法获得星系图像会混有相当比例的带光晕的恒星、伪影以及其他误识别图像(将这些图像称为星系候选图像),然而,对于这些星系候选图像中的星系候选体的分析一般是通过人工检查和筛选,从而确定真正的星系图像。
利用目标检测算法获得的星系候选体包含几万甚至数十万的情况下,人工检查过程不仅效率低下,而且多人检查由于经验不同,容易导致不一致的标准,产生偏差,从而使得结果数据的一致性受到影响。因此,如何实现自动检测星系图像而不需要人工操作成为亟待解决的问题。
发明内容
本申请提供了一种星系图像的检测方法和系统,用于实现全程高效自动检测星系图像,保证结果数据的一致性。
第一方面,提供了一种星系图像的检测方法,包括:
使用目标检测模型检测天体图像样本,识别出星系候选体;
利用所述星系候选体获取星系候选体图像样本,所述星系候选体图像样本中每个图像的尺寸小于所述天体图像样本中的每个图像的尺寸;
利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,获取带类别标签的图像数据集合;
利用所述带类别标签的图像数据集合以及所述星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的所述半监督神经网络模型对所述星系候选体图像样本进行分类,获取星系图像。
可选地,所述利用所述星系候选体获取星系候选体图像样本,包括:利用所述星系候选体对应的坐标来获取星系候选体图像样本,所述星系候选体对应的坐标是从所述目标检测模型获取的。
可选地,将不同波段的待检测天体图像进行合成,以获取所述天体图像样本。
可选地,所述利用所述星系候选体对应的坐标来获取星系候选体图像样本,包括:以所述星系候选体对应的坐标为中心,在原始图像上裁剪像素尺寸为200*200的子图作为星系候选体图像样本。
可选地,所述星系候选体对应的类别概率大于第一阈值,所述第一阈值用于区分星系候选体和非星系候选体。
可选地,所述第一阈值为0.5。
可选地,所述利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,包括:
利用所述星系候选体图像样本对无监督神经网络训练迭代100次,获取所述星系候选体图像样本的10维表征:利用所述10维表征,使用基于K-平均值聚类算法的无监督分类网络对所述星系候选体图像样本进行分类。
可选地,所述使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类包括:使用训练后的所述无监督神经网络将所述星系候选体图像样本聚为5类,分别是暗的星系类别、亮的星系类别、近邻恒星类别、多个恒星类别和无星系类别。
第二方面,提供了一种星系图像的检测系统,包括:
模块M1:使用目标检测模型检测天体图像样本,识别出星系候选体;
模块M2:利用所述星系候选体获取星系候选体图像样本,所述星系候选体图像样本中每个图像的尺寸小于所述天体图像样本中的每个图像的尺寸;
模块M3:利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,获取带类别标签的图像数据集合;
模块M4:利用所述带类别标签的图像数据集合以及所述星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的所述半监督神经网络模型对所述星系候选体图像样本进行分类,获取星系图像。
可选地,所述利用所述星系候选体获取星系候选体图像样本包括:利用所述星系候选体对应的坐标来获取星系候选体图像样本,所述星系候选体对应的坐标是从所述目标检测模型获取的。
可选地,所述系统还包括模块M5:将不同波段的待检测天体图像进行合成,以获取所述天体图像样本。
可选地,所述利用所述星系候选体对应的坐标来获取星系候选体图像样本,包括:以所述星系候选体对应的坐标为中心,在原始图像上裁剪像素尺寸为200*200的子图作为星系候选体图像样本。
可选地,所述星系候选体对应的类别概率大于第一阈值,所述第一阈值用于区分星系候选体和非星系候选体。
可选地,所述第一阈值为0.5。
可选地,所述利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,包括:
利用所述星系候选体图像样本对无监督神经网络训练迭代100次,获取所述星系候选体图像样本的10维表征:利用所述10维表征,使用基于K-平均值聚类算法的无监督分类网络对所述星系候选体图像样本进行聚类。
可选地,所述使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类包括:使用训练后的所述无监督神经网络将所述星系候选体图像样本聚为5类,分别是暗的星系类别、亮的星系类别、近邻恒星类别、多个恒星类别和无星系类别。
本申请提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行上述第一方面以及第一方面的任一实施方式的方法。
基于上述实施例可见,本申请提供了一种星系图像的检测方法,通过将不同波段的待检测天体图像进行合成来提高对图像的分辨能力,然后使用目标检测模型识别出天体图像样本中的星系候选体,以星系候选体为基准裁剪图像,能够减少不相关图像对模型的干扰,加快模型识别的速率,然后利用无监督神经网络对星系候选体图像样本进行第一次粗分类,并获取带类别标签的图像数据集合,利用该带类别标签的图像数据集合以及星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,最后利用该训练后的半监督神经网络模型对星系候选体图像样本进行第二次精确分类,从而实现利用目标检测模型、无监督神经网络和半监督神经网络模型自动高效地检测大量星系图像,而不需要人工检查和筛选星系图像。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种星系图像的检测方法示意性流程图;
图2是本申请实施例提供的星系候选体图像像素坐标示意图;
图3是本申请实施例提供的无监督神经网络的基本架构示意图;
图4是本申请实施例提供的星系图像的检测效果图;
图5是本申请实施例提供的半监督神经网络的架构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为便于申请的技术方案进行,以下首先在对本申请所涉及到的一些概念进行说明。
星系候选图像:从天文图像中经过人工智能的方法获取的含有星系的图像,在这些星系候选图像中除了真正的星系图像,还会混有相当比例的带光晕的恒星、伪影以及其他误识别图像。
星系候选体:星系候选图像中被识别为星系的天体,星系候选体可能是真正的星系,也可能是被误识别的恒星等其他天体。需要说明的是,本申请对星系候选体的数量不作限定,例如,星系候选体只有一个天体,或者星系候选体是一个集合,包含了多个天体。
本申请针对在星系图像检测过程中,由于大量的星系候选图像需要人工检查和筛选而造成的效率低下、结果数据的一致性受到影响的问题,设计了基于多种深度学习模型自动检测星系的方法。下面结合图1对该方法进行说明,主要包括以下步骤:
步骤S1:使用目标检测模型检测天体图像样本,识别出星系候选体。
其中,该目标检测模型可以是利用有标签的星系和对应的天体图像已经训练好的模型。
可选地,该目标检测模型采用的算法是YOLO算法。
可选地,在步骤S1之前,该方法包括步骤S0:
将不同波段的待检测天体图像进行合成,获取该天体图像样本。
具体地,以斯隆数字巡天(Sloan Digital Sky Survey,SDSS)采集的u、g、r、i、z五色(五个波段)天体图像为例,本申请选择r、g、i三个波段的天体图像进行合成,有利于提高分辨能力。
在一种可能的实施方式中,步骤S2包括步骤S20:该目标检测模型识别出星系候选体后,获取星系候选体对应的坐标以及类别概率。
可选地,该类别概率是0-1之间的数值,用于表示检测到的对象为目标星系的概率,在本申请中,选择第一阈值作为区分星系候选体和非星系候选体的边界值,即类别概率小于或等于第一阈值的则识别为非星系候选体,类别概率大于第一阈值的则识别为星系候选体。
可选地,第一阈值取值为0.5,类别概率大于第一阈值则识别为星系候选体。该第一阈值的取值为根据多次实验获得,当取值为0.5时,对于星系候选体和非星系候选体的识别最准确。
可选地,星系候选体对应的坐标为星系候选体在其对应的图像上的像素位置,目标检测模型由于在训练时,学习了获取星系候选体坐标的能力,因此,目标检测模型可输出星系候选体对应的坐标。其中,训练目标检测模型所使用的训练样本中对于星系坐标的定义可以如图2所示,以其在图像的长度方向的中心像素作为水平坐标x1,以其在图像的宽度方向的中心像素作为垂直坐标y1,那么其对应的坐标为(x1,y1),本申请对此不作限定。
步骤S1为对星系候选体的粗识别,利用目标检测模型识别到的星系候选体图像包括一定比例的非星系天体图像或者坏图,因此还需要进一步识别星系图像。
步骤S2:利用星系候选体获取星系候选体图像样本,星系候选体图像样本中每个图像的尺寸小于天体图像样本中的每个图像的尺寸。
在一种可能的实施方式中,步骤S2包括步骤S20:利用星系候选体对应的坐标来获取星系候选体图像样本。
可选地,以星系候选体对应的坐标为中心,从其所属的大图上切割像素尺寸为200*200的子图作为星系候选体图像,从而形成星系候选体图像样本。经反复实验,该尺寸能容纳大部分星系。需要说明的是,由于SDSS望远镜拍摄天区相邻两张图像有部分重叠,如果在切割子图时遇到边界,程序会用相邻的图片切割。
步骤S2切割小图一方面能够减少模型识别图像时的遍历时间,加快识别,另一方面能够减少不相关的图像对程序识别星系的干扰,提升识别的准确性。
步骤S3:利用星系候选体图像样本对无监督神经网络进行训练,使用训练后的无监督神经网络对星系候选体图像样本进行分类,获取带类别标签的图像数据集合。
其中,获取的带类别标签的图像数据集合为星系候选体图像样本中的部分样本。
可选地,无监督神经网络采用基于k-平均值算法的无监督分类网络,该无监督神经网络包括编码部分,解码部分和聚类部分,其中,编码部分包括4个全连接层(dense),解码部分包括4个全连接层(dense),输入图像经过编码部分提取特征后,利用聚类部分对提取的特征值分类,从而在不需要标签图像的情况下实现自主对星系候选体图像样本进行分类,如图3所示,使用该算法处理大数据集能够保持可伸缩性和高效率。
在实现中,经过分成不同类别的聚类实验,本申请发现星系候选体图像样本分成5类时分类效果最好。具体地,本申请用了20000张星系候选体图像输入无监督分类网络,图像像素尺寸为200*200,训练迭代100次,获得了图像的10维特征,然后用K-平均值算法进行聚类。本申请分别将数据分成3,4,5,6,7进行实验比较,使用评价聚类的指标整体平方和(Total Cluster Sum of Square)对聚类结果进行评价。整体平方和是无监督聚类算法的评估指标,表示所有样本离最近聚类中心的距离的总和,整体平方和值越小,表示每个簇内样本越相似,聚类的效果就越好。实验结果如下表所示:
表一
类别个数 | 指标:整体平方和 |
3 | 49904.3 |
4 | 45734.1 |
5 | 698.9 |
6 | 233084.4 |
7 | 140385.5 |
由上表可以看出,将所有的样本分成5类效果最好,此时SDSS星系候选体图像类别可归为暗的星系类别(类别0)、亮的星系类别(类别1)、近邻恒星类别(类别2)、多个恒星类别(类别3)、无星系类别(类别4)的情况。抽取该5个类别的典型图像构成一个带类别标签的图像数据集合以用于半监督模型的训练,每一类60张,共300张。
由于重新获取的大量的星系候选体图像样本是无标签图像,用无监督神经网络进行粗分类以获取带类别标签的图像数据集合,能够自动获取标签图像而不需要人工操作。
步骤S4:利用带类别标签的图像数据集合以及星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的半监督神经网络模型对星系候选体图像样本进行分类,获取星系图像。
其中,带类别标签的图像数据集合以及星系候选体图像样本中的无标签图像的像素尺寸都为200*200。
具体地,利用带类别标签的图像数据集合以及星系候选体图像样本中的部分无标签图像,对半监督神经网络模型进行训练,使用训练后的半监督神经网络模型对星系候选体图像样本进行分类,获取星系图像。例如图4所示,保留图像类别为暗的星系和亮的星系的星系候选体图像作为星系图像,删除其余类别的星系候选体图像。
在一种可能的实施方式中,本申请采用的半监督神经网络的模型结构如图5所示,包括卷积层1(卷积核大小为7*7,卷积核个数为64,步长(stride)为2)、最大池化层(步长为2)、卷积层2(卷积核大小为3*3,卷积核个数为64)、卷积层3(卷积核大小为3*3,卷积核个数为128,步长(stride)为2)、卷积层4(卷积核大小为3*3,卷积核个数为256,步长(stride)为2)、卷积层5(卷积核大小为3*3,卷积核个数为512,步长(stride)为2)、平均池化层(大小为512*1*1)和全连接层(用于分类)。
本申请还提供了一种星系图像的检测系统,包括:
模块M1:使用目标检测模型检测天体图像样本,识别出星系候选体;
模块M2:利用星系候选体获取星系候选体图像样本,星系候选体图像样本中每个图像的尺寸小于天体图像样本中的每个图像的尺寸;
模块M3:利用星系候选体图像样本对无监督神经网络进行训练,使用训练后的无监督神经网络对星系候选体图像样本进行聚类,获取带类别标签的图像数据集合;
模块M4:利用带类别标签的图像数据集合以及星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的半监督神经网络模型对星系候选体图像样本进行分类,获取星系图像。
该系统的其它实现方式参见本申请上述有关星系图像检测方法的实现方式,在此不再赘述。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种星系图像的检测方法,其特征在于,包括:
使用目标检测模型检测天体图像样本,识别出星系候选体;
利用所述星系候选体获取星系候选体图像样本,所述星系候选体图像样本中每个图像的尺寸小于所述天体图像样本中的每个图像的尺寸;
利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像进行聚类,获取带类别标签的图像数据集合;
利用所述带类别标签的图像数据集合以及所述星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的所述半监督神经网络模型对所述星系候选体图像样本进行分类,获取星系图像。
2.根据权利要求1所述的方法,其特征在于,所述利用所述星系候选体获取星系候选体图像样本,包括:
利用所述星系候选体对应的坐标来获取星系候选体图像样本,所述星系候选体对应的坐标是从所述目标检测模型获取的。
3.根据权利要求2所述的方法,其特征在于,所述利用所述星系候选体对应的坐标来获取星系候选体图像样本,包括:
以所述星系候选体对应的坐标为中心,在原始图像上裁剪像素尺寸为200*200的子图作为星系候选体图像样本。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
将不同波段的待检测天体图像进行合成,以获取所述天体图像样本。
5.根据权利要求1所述的方法,其特征在于,所述星系候选体对应的类别概率大于第一阈值,所述第一阈值用于区分星系候选体和非星系候选体。
6.根据权利要求5所述的方法,其特征在于,所述第一阈值为0.5。
7.根据权利要求1所述的方法,其特征在于,所述利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,包括:
利用所述星系候选体图像样本对无监督神经网络训练迭代100次,获取所述星系候选体图像样本的10维表征:
利用所述10维表征,使用基于K-平均值聚类算法的无监督聚类网络对所述星系候选体图像样本进行聚类。
8.根据权利要求1所述的方法,其特征在于,所述使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类包括:
使用训练后的所述无监督神经网络将所述星系候选体图像样本聚为5类,分别是暗的星系类别、亮的星系类别、近邻恒星类别、多个恒星类别和无星系类别。
9.一种星系图像的检测系统,其特征在于,包括:
模块M1:使用目标检测模型检测天体图像样本,识别出星系候选体;
模块M2:利用所述星系候选体获取星系候选体图像样本,所述星系候选体图像样本中每个图像的尺寸小于所述天体图像样本中的每个图像的尺寸;
模块M3:利用所述星系候选体图像样本对无监督神经网络进行训练,使用训练后的所述无监督神经网络对所述星系候选体图像样本进行聚类,获取带类别标签的图像数据集合;
模块M4:利用所述带类别标签的图像数据集合以及所述星系候选体图像样本中的无标签图像,对半监督神经网络模型进行训练,使用训练后的所述半监督神经网络模型对所述星系候选体图像样本进行分类,获取星系图像。
10.根据权利要求9所述的系统,其特征在于,所述利用所述星系候选体获取星系候选体图像样本包括:
利用所述星系候选体对应的坐标来获取星系候选体图像样本,所述星系候选体对应的坐标是从所述目标检测模型获取的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271350.8A CN113963249B (zh) | 2021-10-29 | 2021-10-29 | 一种星系图像的检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271350.8A CN113963249B (zh) | 2021-10-29 | 2021-10-29 | 一种星系图像的检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963249A CN113963249A (zh) | 2022-01-21 |
CN113963249B true CN113963249B (zh) | 2024-04-09 |
Family
ID=79468308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271350.8A Active CN113963249B (zh) | 2021-10-29 | 2021-10-29 | 一种星系图像的检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963249B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN109508746A (zh) * | 2018-11-16 | 2019-03-22 | 西安电子科技大学 | 基于卷积神经网络的脉冲星候选体识别方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN111027608A (zh) * | 2019-11-29 | 2020-04-17 | 蔡尔谦 | 一种基于深度学习的星系分类与识别的方法及装置 |
-
2021
- 2021-10-29 CN CN202111271350.8A patent/CN113963249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN109508746A (zh) * | 2018-11-16 | 2019-03-22 | 西安电子科技大学 | 基于卷积神经网络的脉冲星候选体识别方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN111027608A (zh) * | 2019-11-29 | 2020-04-17 | 蔡尔谦 | 一种基于深度学习的星系分类与识别的方法及装置 |
Non-Patent Citations (1)
Title |
---|
早M型矮恒星光谱聚类方法与分析;刘杰;潘景昌;吴明磊;刘聪;韦鹏;衣振萍;刘猛;;光谱学与光谱分析;20171215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113963249A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN113887472B (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN113362277A (zh) | 一种基于深度学习的工件表面缺陷检测和分割方法 | |
CN112036249A (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN111882000A (zh) | 一种应用于小样本细粒度学习的网络结构及方法 | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN112614094A (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN113963249B (zh) | 一种星系图像的检测方法和系统 | |
CN109934147B (zh) | 基于深度神经网络的目标检测方法、系统及装置 | |
Al-Shammri et al. | A combined method for object detection under rain conditions using deep learning | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN115937095A (zh) | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
CN115063831A (zh) | 一种高性能行人检索与重识别方法及装置 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
CN109471106B (zh) | 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |