CN116206098A - 月球表面安全着陆区选取系统及其方法 - Google Patents
月球表面安全着陆区选取系统及其方法 Download PDFInfo
- Publication number
- CN116206098A CN116206098A CN202310278696.3A CN202310278696A CN116206098A CN 116206098 A CN116206098 A CN 116206098A CN 202310278696 A CN202310278696 A CN 202310278696A CN 116206098 A CN116206098 A CN 116206098A
- Authority
- CN
- China
- Prior art keywords
- single window
- feature
- window area
- image
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 257
- 239000013598 vector Substances 0.000 claims abstract description 250
- 238000009877 rendering Methods 0.000 claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000012546 transfer Methods 0.000 claims abstract description 31
- 230000000903 blocking effect Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims description 53
- 230000004927 fusion Effects 0.000 claims description 44
- 230000007246 mechanism Effects 0.000 claims description 29
- 238000010187 selection method Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 16
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 239000000523 sample Substances 0.000 description 11
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种月球表面安全着陆区选取系统及其方法,涉及智能评选领域,其首先对全月表面坡度渲染图进行图像分块处理并通过卷积神经网络模型以得到单窗口区域图像特征矩阵的序列,接着,对各个单窗口区域图像特征矩阵进行特征矩阵展开并在通过上下文编码器后进行二维排列以得到上下文单窗口区域全局图像特征矩阵,然后,计算各个单窗口区域图像特征矩阵为查询特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵,最后,对所述各个初始分类特征矩阵进行向量级特征分布优化后通过分类器以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。这样,可以提高月球表面安全着陆区域选取的精准度。
Description
技术领域
本申请涉及智能评选领域,且更为具体地,涉及一种月球表面安全着陆区选取系统及其方法。
背景技术
月球作为人类深空探测的第一站,月球科学的发展也是认识太阳系的前提。认识月球的直接方法是软着陆,着陆区的选择一直以来是月球科学中的重点,而月球着陆的适宜程度量化方法较少。
月球正面地形较月球背面更加平坦,正面地形地貌以平坦的月海为主,面积可占月球正面的一半以上,便于探测器安全着陆,而月球背面遭受了长期的直接陨石轰击,其撞击坑密度较大,地形崎岖并以高地为主,难以进行软着陆。为进一步推进月球关键科学概念研究,近年来已有许多国内外学者对于月球的着陆区选址从工程和科学两方面进行了研究。
目前,由于航天器和科学仪器的安全性需求,着陆区应需提供平稳安全的地理区域,以供探测器软着陆以及探测器巡视工作。坡度影响了探测器下降过程的燃料损耗,以及接触月球表面时的碰撞是否轻微。另一方面,坡度也影响了探测器巡视路线上的安全,较高的坡度起伏会危害探测器的运行。因此,坡度在着陆区的选择过程中往往是需要考虑的第一个因素。但是,由于月球表面的坡度在任意时间会发生不同的变化,且这种变化是细微的,现有的着陆区选取方案中难以对于月球表面区域的细微坡度变化进行准确分析,也就难以计算任意位置任意面积的着陆区适宜指标。
因此,期望一种优化的月球表面安全着陆区选取系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种月球表面安全着陆区选取系统及其方法。其首先对全月表面坡度渲染图进行图像分块处理并通过卷积神经网络模型以得到单窗口区域图像特征矩阵的序列,接着,对各个单窗口区域图像特征矩阵进行特征矩阵展开并在通过上下文编码器后进行二维排列以得到上下文单窗口区域全局图像特征矩阵,然后,计算各个单窗口区域图像特征矩阵为查询特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵,最后,对所述各个初始分类特征矩阵进行向量级特征分布优化后通过分类器以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。这样,可以提高月球表面安全着陆区域选取的精准度。
根据本申请的一个方面,提供了一种月球表面安全着陆区选取系统,其包括:
数据采集模块,用于获取全月表面坡度渲染图;
图像分块模块,用于对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;
空间特征增强模块,用于将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;
矩阵展开模块,用于对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;
图像全局关联特征提取模块,用于将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;
查询模块,用于以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;
优化模块,用于基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;
检测结果生成模块,用于将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
在上述的月球表面安全着陆区选取系统中,所述图像分块模块,用于:
对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。
在上述的月球表面安全着陆区选取系统中,所述空间特征增强模块,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;
计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述单窗口区域图像特征矩阵的序列,所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述单窗口区域图像块的序列。
在上述的月球表面安全着陆区选取系统中,所述图像全局关联特征提取模块,包括:
上下文语义关联单元,用于将所述单窗口区域图像展开特征向量的序列输入所述基于转换器的上下文编码器以得到多个单窗口区域图像语义特征向量;
特征矩阵单元,用于将所述多个单窗口区域图像语义特征向量进行级联以得到所述多个上下文单窗口区域图像向量;
向量二维排列单元,用于将所述多个上下文单窗口区域图像向量进行二维排列以得到所述上下文单窗口区域全局图像特征矩阵。
在上述的月球表面安全着陆区选取系统中,所述查询模块,用于:
以如下公式计算所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到所述多个初始分类特征矩阵;
其中,所述公式为:
在上述的月球表面安全着陆区选取系统中,所述优化模块,包括:
展开单元,用于将所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵展开为单窗口区域图像特征向量和上下文单窗口区域全局图像特征向量;
特征融合单元,用于将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的非相干稀疏响应融合向量;
维度重构单元,用于将所述非相干稀疏响应融合向量进行维度重构以得到非相干稀疏响应融合矩阵;
加权优化单元,用于将所述非相干稀疏响应融合矩阵与所述初始分类特征矩阵进行按位置点乘以得到所述分类特征矩阵。
在上述的月球表面安全着陆区选取系统中,所述特征融合单元,用于:将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,以如下公式计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的所述非相干稀疏响应融合向量;
其中,所述公式为:
其中,V1、V2和V3分别表示所述单窗口区域图像特征向量、所述上下文单窗口区域全局图像特征向量和所述非相干稀疏响应融合向量,||·||1和||·||2分别表示向量的一范数和二范数,L为向量的长度,和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式。
在上述的月球表面安全着陆区选取系统中,所述检测结果生成模块,包括:
矩阵展开单元,用于将所述多个分类特征矩阵按照行向量或列向量展开为多个分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量;
分类单元,用于将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个分类结果。
根据本申请的另一个方面,提供了一种月球表面安全着陆区选取方法,其包括:
获取全月表面坡度渲染图;
对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;
将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;
对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;
将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;
以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;
基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;
将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
在上述的月球表面安全着陆区选取方法中,对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列,包括:
对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。
与现有技术相比,本申请提供的月球表面安全着陆区选取系统及其方法,其首先对全月表面坡度渲染图进行图像分块处理并通过卷积神经网络模型以得到单窗口区域图像特征矩阵的序列,接着,对各个单窗口区域图像特征矩阵进行特征矩阵展开并在通过上下文编码器后进行二维排列以得到上下文单窗口区域全局图像特征矩阵,然后,计算各个单窗口区域图像特征矩阵为查询特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵,最后,对所述各个初始分类特征矩阵进行向量级特征分布优化后通过分类器以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。这样,可以提高月球表面安全着陆区域选取的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的月球表面安全着陆区选取系统的应用场景图。
图2为根据本申请实施例的月球表面安全着陆区选取系统的框图示意图。
图3为根据本申请实施例的月球表面安全着陆区选取系统中的所述图像全局关联特征提取模块的框图示意图。
图4为根据本申请实施例的月球表面安全着陆区选取系统中的所述优化模块的框图示意图。
图5为根据本申请实施例的月球表面安全着陆区选取系统中的所述检测结果生成模块的框图示意图。
图6为根据本申请实施例的月球表面安全着陆区选取方法的流程图。
图7为根据本申请实施例的月球表面安全着陆区选取方法的系统架构的示意图。
图8为根据本申请实施例的全月表面坡度的示意图。
图9为根据本申请实施例的斜率计算的示意图。
图10为根据本申请实施例的滑动窗口算法示意图。
图11为根据本申请实施例的基于Queen邻近规则的空间单元的示意图。
图12为根据本申请实施例的1°*1°分辨率单窗口可视化的示意图。
图13为根据本申请实施例的0.125°*0.125°分辨率单窗口可视化的示意图。
图14为根据本申请实施例的0.03125°*0.03125°分辨率单窗口可视化的示意图。
图15(a)-(f)分别展示了全月坡度阈值占比(20)、阈值占比(8)、变异系数、平均值、莫兰指数、综合指标的量化评分结果。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,坡度在着陆区的选择过程中往往是需要考虑的第一个因素。但是,由于月球表面的坡度在任意时间会发生不同的变化,且这种变化是细微的,现有的着陆区选取方案中难以对于月球表面区域的细微坡度变化进行准确分析,也就难以计算任意位置任意面积的着陆区适宜指标。因此,期望一种优化的月球表面安全着陆区选取系统。
相应地,考虑到在实际进行月球表面安全着陆区域选取时,最主要的是对于全月表面坡度渲染图进行分析,以此来精准地捕捉月球表面区域的坡度隐含特征信息,从而选择适宜的探测器着陆区域。但是,由于月球表面区域的坡度隐含特征信息在所述全月表面坡度渲染图中为小尺度的特征信息,难以进行捕捉提取,并且月球表面的坡度小尺度隐藏特征在月球表面的各个单窗口区域中具有着相互的关联性关系,这对于月球表面的安全着陆区域选取带来了困难。也就是说,在此过程中,难点在于如何充分且准确的挖掘出所述全月表面坡度渲染图中关于月球表面区域的坡度小尺度隐含特征分布信息,以此来对于全月表面的坡度情况进行准确分析,从而精准选取月球表面区域适宜着陆的安全区域。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述全月表面坡度渲染图中关于月球表面区域的坡度小尺度隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取全月表面坡度渲染图。接着,考虑到在实际进行月球表面的安全着陆区域选取时,由于所述全月表面坡度渲染图中关于月球表面的坡度特征为小尺度的特征信息,难以通过传统的方法进行精准捕捉提取,这就会导致对于月球表面的安全着陆区域选取出现偏差。因此,在本申请的技术方案中,进一步对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列。相应地,在本申请的一个具体示例中,可以对所述全月表面坡度渲染图进行均匀图像分块处理,以便于后续更精准地捕捉所述全月表面坡度渲染图中关于月球表面坡度的小尺度隐藏特征信息,从而得到单窗口区域图像块的序列,这里,所述单窗口区域图像块的序列中各个单窗口区域图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述单窗口区域图像块序列中的各个单窗口区域图像块的尺度相较于原图像被缩减,因此,所述全月表面坡度渲染图中关于月球表面坡度的小尺度隐藏特征在所述单窗口区域图像块中不再是小尺寸对象,以提高对于月球表面的安全着陆区域选取的精准度。
然后,使用在图像隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述单窗口区域图像块的序列中各个单窗口区域图像块的特征挖掘。特别地,考虑到在进行月球表面的安全着陆区域选取时,应关注于所述全月表面坡度渲染图的空间位置上关于月球表面坡度的隐藏特征信息而忽略与坡度检测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型中进行处理,以分别提取出所述各个单窗口区域图像块中聚焦于月球表面空间上的关于坡度的小尺度隐含特征分布信息,从而得到单窗口区域图像特征矩阵的序列。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于月球表面区域的坡度状态特征信息。
进一步地,考虑到所述各个单窗口区域图像块中聚焦于月球表面空间上的关于坡度的小尺度隐含特征分布信息间具有着关联关系,也就是说,所述各个单窗口区域图像块中关于坡度的隐含特征间是相关的,并且这种关联性关系可能存在于两个图像块的不同局部区域隐含特征中,其相关性共同呈现了月球表面的坡度隐含特征信息,也就是决定了月球表面的安全着陆区域的选取。
基于此,在本申请的技术方案中,为了能够提取出所述各个图像块中关于月球表面坡度的隐含关联特征信息,以此来对于月球表面坡度情况进行准确判断,进一步对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;接着,将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器中进行编码,以提取出所述各个图像块的局部区域间基于全局的关于月球表面坡度的上下文隐含关联特征,从而得到多个上下文单窗口区域图像向量;然后,再将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵,以整合所述各个图像块的局部区域间关于坡度的高维关联特征信息。
也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述单窗口区域图像展开特征向量的序列中各个单窗口区域图像展开特征向量进行基于全局的上下文语义编码以得到以所述单窗口区域图像展开特征向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述多个上下文单窗口区域图像向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述各个图像块的局部区域中关于坡度隐含特征相对于所述全月表面坡度渲染图整体的图像中关于坡度隐含特征的上下文语义关联特征表示。
进一步地,以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵,以此来表示在以所述各个图像块局部区域的基于全局的关于坡度小尺度高维隐含特征为基础的关于所述各个图像块中关于月球表面的坡度特征分布信息,从而得到多个分类特征矩阵。然后,将所述多个分类特征矩阵通过分类器中进行分类处理,以得到多个分类特征矩阵通过分类器以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。这样,能够基于实际的月球表面的坡度情况来精准选取月球表面区域适宜着陆的安全区域。
特别地,在本申请的技术方案中,在以单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵时,所述转移矩阵的计算是以所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵的行和列为单位进行计算的,因此,所述转移矩阵并没有能够体现出所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵的向量级的转移响应,从而影响了作为所述转移矩阵的所述分类特征矩阵的表达效果。
基于此,本申请的申请人首先将所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵展开为单窗口区域图像特征向量V1和上下文单窗口区域全局图像特征向量V2,再将所述单窗口区域图像特征向量V1作为源向量,将所述上下文单窗口区域全局图像特征向量V2作为响应向量,计算其非相干稀疏响应融合向量V3,表示为:
这里,所述非相干稀疏响应融合在以源向量作为特征域间转移响应的真实性分布(ground-truth distribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提取特征向量融合后的概率分布描述度的响应关系,从而提升所述非相干稀疏响应融合向量V3对于具有响应转移关系的特征向量的表达效果。这样,进一步将非相干稀疏响应融合向量V3还原为非相干稀疏响应融合矩阵后与所述分类特征矩阵进行点乘,就可以提升所述分类特征矩阵的表达效果。这样,能够对于全月表面的坡度情况进行准确分析,从而精准选取月球表面区域适宜着陆的安全区域。
图1为根据本申请实施例的月球表面安全着陆区选取系统的应用场景图。如图1所示,在该应用场景中,首先,获取全月表面坡度渲染图(例如,图1中所示意的D),然后,将所述全月表面坡度渲染图输入至部署有月球表面安全着陆区选取算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述月球表面安全着陆区选取算法对所述全月表面坡度渲染图进行处理以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的月球表面安全着陆区选取系统的框图示意图。如图2所示,根据本申请实施例的月球表面安全着陆区选取系统100,包括:数据采集模块110,用于获取全月表面坡度渲染图;图像分块模块120,用于对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;空间特征增强模块130,用于将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;矩阵展开模块140,用于对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;图像全局关联特征提取模块150,用于将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;查询模块160,用于以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;优化模块170,用于基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;以及,检测结果生成模块180,用于将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
更具体地,在本申请实施例中,所述数据采集模块110,用于获取全月表面坡度渲染图。在实际进行月球表面安全着陆区域选取时,最主要的是对于全月表面坡度渲染图进行分析,以此来精准地捕捉月球表面区域的坡度隐含特征信息,从而选择适宜的探测器着陆区域。但是,由于月球表面区域的坡度隐含特征信息在所述全月表面坡度渲染图中为小尺度的特征信息,难以进行捕捉提取,并且月球表面的坡度小尺度隐藏特征在月球表面的各个单窗口区域中具有着相互的关联性关系,这对于月球表面的安全着陆区域选取带来了困难。因此,挖掘出所述全月表面坡度渲染图中关于月球表面区域的坡度小尺度隐含特征分布信息,以此来对于全月表面的坡度情况进行准确分析,从而精准选取月球表面区域适宜着陆的安全区域。
更具体地,在本申请实施例中,所述图像分块模块120,用于对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列。在实际进行月球表面的安全着陆区域选取时,由于所述全月表面坡度渲染图中关于月球表面的坡度特征为小尺度的特征信息,难以通过传统的方法进行精准捕捉提取,这就会导致对于月球表面的安全着陆区域选取出现偏差。因此,在本申请的技术方案中,进一步对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列。
相应地,在一个具体示例中,所述图像分块模块120,用于:对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。这样,后续可以更精准地捕捉所述全月表面坡度渲染图中关于月球表面坡度的小尺度隐藏特征信息,从而得到单窗口区域图像块的序列,这里,所述单窗口区域图像块的序列中各个单窗口区域图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述单窗口区域图像块序列中的各个单窗口区域图像块的尺度相较于原图像被缩减,因此,所述全月表面坡度渲染图中关于月球表面坡度的小尺度隐藏特征在所述单窗口区域图像块中不再是小尺寸对象,以提高对于月球表面的安全着陆区域选取的精准度。
更具体地,在本申请实施例中,所述空间特征增强模块130,用于将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列。使用在图像隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述单窗口区域图像块的序列中各个单窗口区域图像块的特征挖掘。特别地,考虑到在进行月球表面的安全着陆区域选取时,应关注于所述全月表面坡度渲染图的空间位置上关于月球表面坡度的隐藏特征信息而忽略与坡度检测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型中进行处理,以分别提取出所述各个单窗口区域图像块中聚焦于月球表面空间上的关于坡度的小尺度隐含特征分布信息,从而得到单窗口区域图像特征矩阵的序列。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于月球表面区域的坡度状态特征信息。
特别地,注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,所述空间特征增强模块130,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述单窗口区域图像特征矩阵的序列,所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述单窗口区域图像块的序列。
更具体地,在本申请实施例中,所述矩阵展开模块140,用于对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列。考虑到所述各个单窗口区域图像块中聚焦于月球表面空间上的关于坡度的小尺度隐含特征分布信息间具有着关联关系,也就是说,所述各个单窗口区域图像块中关于坡度的隐含特征间是相关的,并且这种关联性关系可能存在于两个图像块的不同局部区域隐含特征中,其相关性共同呈现了月球表面的坡度隐含特征信息,也就是决定了月球表面的安全着陆区域的选取。因此,为了能够提取出所述各个图像块中关于月球表面坡度的隐含关联特征信息,以此来对于月球表面坡度情况进行准确判断,进一步对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列。
更具体地,在本申请实施例中,所述图像全局关联特征提取模块150,用于将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵。这样,可以提取出所述各个图像块的局部区域间基于全局的关于月球表面坡度的上下文隐含关联特征并整合所述各个图像块的局部区域间关于坡度的高维关联特征信息。
也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述单窗口区域图像展开特征向量的序列中各个单窗口区域图像展开特征向量进行基于全局的上下文语义编码以得到以所述单窗口区域图像展开特征向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述多个上下文单窗口区域图像向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述各个图像块的局部区域中关于坡度隐含特征相对于所述全月表面坡度渲染图整体的图像中关于坡度隐含特征的上下文语义关联特征表示。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此基于Bi-LSTM(Long Short-Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(循环神经网络)在并行计算上具有一定优势。
相应地,在一个具体示例中,如图3所示,所述图像全局关联特征提取模块150,包括:上下文语义关联单元151,用于将所述单窗口区域图像展开特征向量的序列输入所述基于转换器的上下文编码器以得到多个单窗口区域图像语义特征向量;特征矩阵单元152,用于将所述多个单窗口区域图像语义特征向量进行级联以得到所述多个上下文单窗口区域图像向量;以及,向量二维排列单元153,用于将所述多个上下文单窗口区域图像向量进行二维排列以得到所述上下文单窗口区域全局图像特征矩阵。
更具体地,在本申请实施例中,所述查询模块160,用于以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵。以此来表示在以所述各个图像块局部区域的基于全局的关于坡度小尺度高维隐含特征为基础的关于所述各个图像块中关于月球表面的坡度特征分布信息。
相应地,在一个具体示例中,所述查询模块160,用于:以如下公式计算所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到所述多个初始分类特征矩阵;其中,所述公式为:
更具体地,在本申请实施例中,所述优化模块170,用于基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵。
相应地,在一个具体示例中,如图4所示,所述优化模块170,包括:展开单元171,用于将所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵展开为单窗口区域图像特征向量和上下文单窗口区域全局图像特征向量;特征融合单元172,用于将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的非相干稀疏响应融合向量;维度重构单元173,用于将所述非相干稀疏响应融合向量进行维度重构以得到非相干稀疏响应融合矩阵;以及,加权优化单元174,用于将所述非相干稀疏响应融合矩阵与所述初始分类特征矩阵进行按位置点乘以得到所述分类特征矩阵。
相应地,在一个具体示例中,所述特征融合单元172,用于:将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,以如下公式计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的所述非相干稀疏响应融合向量;其中,所述公式为:
这里,所述非相干稀疏响应融合在以源向量作为特征域间转移响应的真实性分布(ground-truth distribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提取特征向量融合后的概率分布描述度的响应关系,从而提升所述非相干稀疏响应融合向量V3对于具有响应转移关系的特征向量的表达效果。这样,进一步将非相干稀疏响应融合向量V3还原为非相干稀疏响应融合矩阵后与所述分类特征矩阵进行点乘,就可以提升所述分类特征矩阵的表达效果。这样,能够对于全月表面的坡度情况进行准确分析,从而精准选取月球表面区域适宜着陆的安全区域。
更具体地,在本申请实施例中,所述检测结果生成模块180,用于将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。这样,能够基于实际的月球表面的坡度情况来精准选取月球表面区域适宜着陆的安全区域。
特别地,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图5所示,所述检测结果生成模块180,包括:矩阵展开单元181,用于将所述多个分类特征矩阵按照行向量或列向量展开为多个分类特征向量;全连接编码单元182,用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量;以及,分类单元183,用于将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个分类结果。
综上,基于本申请实施例的月球表面安全着陆区选取系统100被阐明,其首先对全月表面坡度渲染图进行图像分块处理并通过卷积神经网络模型以得到单窗口区域图像特征矩阵的序列,接着,对各个单窗口区域图像特征矩阵进行特征矩阵展开并在通过上下文编码器后进行二维排列以得到上下文单窗口区域全局图像特征矩阵,然后,计算各个单窗口区域图像特征矩阵为查询特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵,最后,对所述各个初始分类特征矩阵进行向量级特征分布优化后通过分类器以得到用于表示单窗口区域对应于的月球表面区域是否适宜着陆的多个分类结果。这样,可以提高月球表面安全着陆区域选取的精准度。
如上所述,根据本申请实施例的所述月球表面安全着陆区选取系统100可以实现在各种终端设备中,例如具有月球表面安全着陆区选取算法的服务器等。在一个示例中,月球表面安全着陆区选取系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该月球表面安全着陆区选取系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该月球表面安全着陆区选取系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该月球表面安全着陆区选取系统100与该终端设备也可以是分立的设备,并且该月球表面安全着陆区选取系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
进一步地,在本申请中,考虑到航天器和科学仪器的安全性需求,着陆区应能提供平稳安全的地理区域,以供探测器软着陆以及探测器巡视工作。坡度影响探测器下降过程的燃料损耗、接触月球表面时的碰撞是否轻微以及探测器巡视路线上的安全,较高的坡度起伏会危害探测器的运行。因此,在实际进行单窗口对应的月球表面区域是否适宜着陆进行评估时,最主要的是对于全月表面坡度图进行分析,以此来选择适宜的着陆区域。但是,由于在使用滑动窗口对于全月表面坡度图进行遍历时,每个单窗口数据的各个评价指标之间不仅具有着关联关系,而且各个单窗口数据之间也具有着关联性的特征分布信息,因此,并不能够基于单一窗口的各个评价指标数据的分析来进行适宜着陆区域的评估选择。
进一步地,考虑到航天器和科学仪器的安全性需求,着陆区应能提供平稳安全的地理区域,以供探测器软着陆以及探测器巡视工作。坡度影响了探测器下降过程的燃料损耗,以及接触月球表面时的碰撞是否轻微。另一方面,坡度也影响了探测器巡视路线上的安全,较高的坡度起伏会危害探测器的运行。因此,坡度在着陆区的选择过程中往往是需要考虑的第一个因素。图8为全月表面坡度示意图,图9为斜率计算的示意图。如图9所示,地形坡度表示地表地形的陡度,在DEM栅格数据中,某个像元通常与相邻的8个像元组合成一个坡度,坡度的计算方法是将东西方向的高差除以南北方向的高差。用于计算像素"e"的斜率的等式如下:
dz/dx=[(c+2f+i)-(a+2d+g)]/(8×L), (1)
dz/dy=[(g+2h+i)-(a+2b+c)]/(8×L), (2)
在等式(1)和(2)中,a--i代表每个像素的高程,L代表像素的大小,dz/dx代表东西方向(x)的斜率,dz/dy代表南北方向(y)的斜率。e的斜率是两个斜率的平方和的平方根的反正切。S代表坡度,单位为度。
应可以理解,滑动窗口算法为对于给定特定窗口大小的数组或数据执行要求的操作,按照指定方向对于数据遍历循环。该方法应用在着陆区选址时,即使用单个滑动窗口方法,对二维全月坡度数据进行逐行、逐列移动并分析(一张坡度的遥感图片),最后得到适合着陆的不同区域。其能够实现全月网格切分而不局限于全月数据上的操作,因此,可以降低评估着陆区适宜程度问题的复杂度。
其中,图10示出了滑动窗口算法示意图,其中包含步长以及窗口宽高等四个参数,参数可自由定义。滑动窗口算法定义为对于给定特定窗口大小的数组或数据执行要求的操作,按照指定方向对于数据遍历循环。该方法应用在着陆区选址时,即使用单个滑动窗口方法,对二维全月坡度数据进行逐行、逐列移动并分析(一张坡度的遥感图片),最后得到适合着陆的不同区域。能够实现全月网格切分而不局限于全月数据上的操作,因此,可以降低评估着陆区适宜程度问题的复杂度。
更具体地,在使用滑动窗口对所述全月表面坡度图进行遍历以得到多个单窗口评价数据时,所述各个单窗口评价数据包括阈值占比、均值、变异系数、莫兰指数和综合指标。
特别地,这里,所述阈值占比定义为小于某一阈值的像素个数与像素总个数的比值,引入所述阈值占比可以评估坡度数据的平坦度;引入所述变异系数可以量化数据离散程度大小;莫兰指数用于评估数据的空间分布特征,即数据在空间上是否聚集或是否离散。并且,还考虑到由于各个单一指标都有各自的劣势,像素阈值占比无法评估数据的离散程度;变异系数未考虑数据的空间分布特征;莫兰指数只能评估数据的空间聚集程度,但对于数据高值与高值聚集的情况(不符合较平坦的预期),其莫兰指数高于低值与低值聚集的情况(符合较平坦的预期),因此,进一步引入对于单个窗口的综合指标。
进一步地,关于阈值占比,为评估坡度数据的平坦度,引入阈值占比,定义为小于某一阈值的像素个数与像素总个数的比值。
S=p(<threshold)/P
其中,S代表阈值占比,p(<threshold)代表该窗口小于threshold(阈值)的像素个数,P代表该窗口像素总数。其中,在中国登月任务的着陆点选择中,着陆区的平均地形坡度不应超过8°,且坡度小于8°的区域应占相对较大比例,因此,在后续的计算中,令阈值为8。
进一步地,关于二值化变异系数,为了量化数据离散程度大小,引入变异系数Cv,即标准差σ/平均值μ。相应公式如下所示:
由于过高的平均坡度不符合着陆区安全着陆条件,而其会带来较高的平均值致使变异系数较低,即量化数据波动性的指标较低。因此,根据阈值将单窗口的原始数据进行二值化处理,令小于阈值(较平坦)的数据设置为1,其他为0。
进一步地,关于莫兰指数,为了评估数据的空间分布特征,即数据在空间上是否聚集或是否离散,Moran’I指数作为空间自相关的度量,莫兰指数数值分布在[-1,1],[0,1]说明各地理实体之间存在正相关的关系,[-1,0]之间说明存在负相关的关系,而0值则无相关关系,其表达式如下:
对于空间矩阵wi,j,引入基于Queen邻近性的空间权重矩阵,如图11所示,A单元的Queen邻近性单元为B单元,包含共顶点连接与共邻边连接。
假设用bi来表示空间单元i的边界点,那么,基于Queen邻近性的空间权重矩阵的定义如下公式所示:
进一步地,关于单窗口评价综合指标,由于各个单一指标都有各自的劣势,像素阈值占比无法评估数据的离散程度;变异系数未考虑数据的空间分布特征;莫兰指数只能评估数据的空间聚集程度,但对于数据高值与高值聚集的情况(不符合较平坦的预期),其莫兰指数高于低值与低值聚集的情况(符合较平坦的预期);因此,引入对于单个窗口的综合指标,定义为:
Q=S·(1-Cv)·I
其中,Q为综合指标,S为阈值占比,衡量了符合平坦定义的像素占比;Cv为变异系数,量化了数据的波动性,波动性越大,变异系数越大;I为莫兰指数,量化了数据的空间分布特征,值相近的数据越聚集,莫兰指数越大。因此,综合指标有效地体现了单窗口的着陆区适宜程度。
利用DEM数据处理得到的全月坡度,在经过滑动窗口遍历,并基于阈值占比、均值、变异系数、莫兰指数、综合指标等多指标的单窗口评价后,可以由如下3种方式呈现自动着陆区优选结果:1.全月网格着陆适宜程度量化结果以及对应的数据库;2.局部多分辨率单窗口评价结果;3.极区坡度量化评价结果。
其中,在单窗口可视化部分,结果包括局部精细化的窗口评估,并包含不同分辨率的窗口评价,单窗口可视化结果包含阈值占比,平均值,变异系数,莫兰指数等多个指标,窗口大小分别为1°*1°,0.125°*0.125°,0.03125°*0.03125°,换算公里分别为30.3km30.3km,3.79 3.79,0.95 0.95。图12、图13和图14分别示出了1°*1°分辨率单窗口可视化、0.125°*0.125°分辨率单窗口可视化和0.03125°*0.03125°分辨率单窗口可视化的示意图。
图12、图13和图14体现了不同窗口尺寸下,根据综合指标降序排列的结果,能够直观地显示单窗口的坡度数据。随着综合指标的降低,单窗口的坡度数据也渐渐体现出复杂的特征。从图12、图13和图14的单窗口可视化结果可以看出,较适宜着陆区在数据上呈现出低值数据占比高,数据整体波动性较小,并且呈现近似值聚集程度高的特点,对应了阈值占比、变异系数、莫兰指数等三个指标的特点。为达到量化着陆区坡度适宜程度的目标,以下统计了图12、图13和图14各个窗口对应的评价指标。
根据上及图12-14,体现了着陆坡度适宜程度与评价指标之间的关系:1.在总体上,综合指标>0.6时,平均坡度基本在3°以内。因此,较低的平均坡度往往是较为适宜着陆的前提条件,但两者并不构成严格的正比关系。例如,Fig.12(1,一排一列),Fig.13(4,一排四列;11,二排五列)Fig.14(1,一排一列;11,二排五列;12,二排六列)平均坡度高于后一个窗口,综合指标也高于后一个窗口。这是由于它们的数据在数值上稳定,并且数据在空间上更为集中,拥有较高的变异系数与莫兰指数导致的,其次,在阈值占比指标上,较高的阈值设置也使得在阈值内的平均坡度窗口之间,弱化了阈值占比对于综合指标的贡献,因为它们的阈值占比往往都是1,这也是平均坡度与综合指标不是正比关系的原因之一。因此,综合指标比平均坡度适合表征着陆区适宜程度,也符合着陆区坡度较为平坦的原则。2.不同窗口尺寸下,出现撞击坑对应的综合指标不同。排除小型撞击坑,Fig.12(20,四排二列),Fig.13(24,四排六列),Fig.14(23,四排五列),出现明显的撞击坑,分别对应的综合指标为0.68,0.49,0.34。可以得出,撞击坑的出现在一定程度上会得到较低的综合指标评分,符合着陆区适宜程度的主观评价标准。并且,更低的窗口尺寸在出现撞击坑时拥有更低的综合指标,更适宜作为着陆区选址的窗口尺寸选择。
其中,在全月评价部分,在全月考虑坡度的着陆区选址过程中,单窗口大小设置为1°×1°(actual range:30.3cosφkm×30.3km,φis latitude),设置两方向移动步长均为0.5°,得到有重叠的359×719个窗口以及对应的窗口评价指标数据库。将每一个窗口的量化评分进行全月的汇总,得到图15(a)-(f),展示了基于不同指标的全月坡度评价结果。
图15(a)-(f)分别展示了全月坡度阈值占比(20)、阈值占比(8)、变异系数、平均值、莫兰指数、综合指标的量化评分结果。图15(f)的综合评分结果叠加了以往成功软着陆点(五角星)以及专家预选着陆点(雪花)。考虑到体现坡度总体平坦度的平均值与体现坡度数据波动性的变异系数越低越适宜着陆,翻转了图15(c)与图15(d)结果的colorbar,以保证结果呈现的一致性。
进一步地,提供相应的月球表面安全着陆区选取方法。图6为根据本申请实施例的月球表面安全着陆区选取方法的流程图。如图6所示,根据本申请实施例的月球表面安全着陆区选取方法,其包括:S110,获取全月表面坡度渲染图;S120,对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;S130,将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;S140,对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;S150,将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;S160,以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;S170,基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;以及,S180,将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
图7为根据本申请实施例的月球表面安全着陆区选取方法的系统架构的示意图。如图7所示,在所述月球表面安全着陆区选取方法的系统架构中,首先,获取全月表面坡度渲染图;接着,对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;然后,将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;接着,对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;然后,将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;接着,以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;然后,基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;最后,将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列,包括:对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述单窗口区域图像特征矩阵的序列,所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述单窗口区域图像块的序列。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵,包括:将所述单窗口区域图像展开特征向量的序列输入所述基于转换器的上下文编码器以得到多个单窗口区域图像语义特征向量;将所述多个单窗口区域图像语义特征向量进行级联以得到所述多个上下文单窗口区域图像向量;以及,将所述多个上下文单窗口区域图像向量进行二维排列以得到所述上下文单窗口区域全局图像特征矩阵。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵,包括:以如下公式计算所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到所述多个初始分类特征矩阵;其中,所述公式为:
在一个具体示例中,在上述月球表面安全着陆区选取方法中,基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵,包括:将所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵展开为单窗口区域图像特征向量和上下文单窗口区域全局图像特征向量;将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的非相干稀疏响应融合向量;将所述非相干稀疏响应融合向量进行维度重构以得到非相干稀疏响应融合矩阵;以及,将所述非相干稀疏响应融合矩阵与所述初始分类特征矩阵进行按位置点乘以得到所述分类特征矩阵。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的非相干稀疏响应融合向量,包括:将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,以如下公式计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的所述非相干稀疏响应融合向量;其中,所述公式为:
其中,V1、V2和V3分别表示所述单窗口区域图像特征向量、所述上下文单窗口区域全局图像特征向量和所述非相干稀疏响应融合向量,||·||1和||·||2分别表示向量的一范数和二范数,L为向量的长度,和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式。
在一个具体示例中,在上述月球表面安全着陆区选取方法中,将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆,包括:将所述多个分类特征矩阵按照行向量或列向量展开为多个分类特征向量;使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量;以及,将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个分类结果。
这里,本领域技术人员可以理解,上述月球表面安全着陆区选取方法中的各个步骤的具体操作已经在上面参考图1到图5的月球表面安全着陆区选取系统的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种月球表面安全着陆区选取系统,其特征在于,包括:
数据采集模块,用于获取全月表面坡度渲染图;
图像分块模块,用于对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;
空间特征增强模块,用于将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;
矩阵展开模块,用于对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;
图像全局关联特征提取模块,用于将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;
查询模块,用于以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;
优化模块,用于基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;
检测结果生成模块,用于将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
2.根据权利要求1所述的月球表面安全着陆区选取系统,其特征在于,所述图像分块模块,用于:
对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。
3.根据权利要求2所述的月球表面安全着陆区选取系统,其特征在于,所述空间特征增强模块,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;
计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述单窗口区域图像特征矩阵的序列,所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述单窗口区域图像块的序列。
4.根据权利要求3所述的月球表面安全着陆区选取系统,其特征在于,所述图像全局关联特征提取模块,包括:
上下文语义关联单元,用于将所述单窗口区域图像展开特征向量的序列输入所述基于转换器的上下文编码器以得到多个单窗口区域图像语义特征向量;
特征矩阵单元,用于将所述多个单窗口区域图像语义特征向量进行级联以得到所述多个上下文单窗口区域图像向量;
向量二维排列单元,用于将所述多个上下文单窗口区域图像向量进行二维排列以得到所述上下文单窗口区域全局图像特征矩阵。
6.根据权利要求5所述的月球表面安全着陆区选取系统,其特征在于,所述优化模块,包括:
展开单元,用于将所述单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵展开为单窗口区域图像特征向量和上下文单窗口区域全局图像特征向量;
特征融合单元,用于将所述单窗口区域图像特征向量作为源向量且将所述上下文单窗口区域全局图像特征向量作为响应向量,计算所述单窗口区域图像特征向量和所述上下文单窗口区域全局图像特征向量之间的非相干稀疏响应融合向量;
维度重构单元,用于将所述非相干稀疏响应融合向量进行维度重构以得到非相干稀疏响应融合矩阵;
加权优化单元,用于将所述非相干稀疏响应融合矩阵与所述初始分类特征矩阵进行按位置点乘以得到所述分类特征矩阵。
8.根据权利要求7所述的月球表面安全着陆区选取系统,其特征在于,所述检测结果生成模块,包括:
矩阵展开单元,用于将所述多个分类特征矩阵按照行向量或列向量展开为多个分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量;
分类单元,用于将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个分类结果。
9.一种月球表面安全着陆区选取方法,其特征在于,包括:
获取全月表面坡度渲染图;
对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列;
将所述单窗口区域图像块的序列通过使用空间注意力机制的卷积神经网络模型以得到单窗口区域图像特征矩阵的序列;
对所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵进行特征矩阵展开以得到单窗口区域图像展开特征向量的序列;
将所述单窗口区域图像展开特征向量的序列通过基于转换器的上下文编码器以得到多个上下文单窗口区域图像向量,并将所述多个上下文单窗口区域图像向量进行二维排列为上下文单窗口区域全局图像特征矩阵;
以所述单窗口区域图像特征矩阵的序列中的各个单窗口区域图像特征矩阵为查询特征矩阵,计算其与所述上下文单窗口区域全局图像特征矩阵之间的转移矩阵以得到多个初始分类特征矩阵;
基于所述各个单窗口区域图像特征矩阵和所述上下文单窗口区域全局图像特征矩阵,分别对所述各个初始分类特征矩阵进行向量级特征分布优化以得到多个分类特征矩阵;
将所述多个分类特征矩阵通过分类器以得到多个分类结果,所述各个分类结果用于表示单窗口区域对应于的月球表面区域是否适宜着陆。
10.根据权利要求9所述的月球表面安全着陆区选取方法,其特征在于,对所述全月表面坡度渲染图进行图像分块处理以得到单窗口区域图像块的序列,包括:
对所述全月表面坡度渲染图进行均匀图像分块处理以得到单窗口区域图像块的序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278696.3A CN116206098A (zh) | 2023-03-21 | 2023-03-21 | 月球表面安全着陆区选取系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278696.3A CN116206098A (zh) | 2023-03-21 | 2023-03-21 | 月球表面安全着陆区选取系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206098A true CN116206098A (zh) | 2023-06-02 |
Family
ID=86519243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310278696.3A Pending CN116206098A (zh) | 2023-03-21 | 2023-03-21 | 月球表面安全着陆区选取系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206098A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116470885A (zh) * | 2023-06-17 | 2023-07-21 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
CN117274823A (zh) * | 2023-11-21 | 2023-12-22 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
-
2023
- 2023-03-21 CN CN202310278696.3A patent/CN116206098A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116470885A (zh) * | 2023-06-17 | 2023-07-21 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
CN116470885B (zh) * | 2023-06-17 | 2023-09-29 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
CN117274823A (zh) * | 2023-11-21 | 2023-12-22 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
CN117274823B (zh) * | 2023-11-21 | 2024-01-26 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN116206098A (zh) | 月球表面安全着陆区选取系统及其方法 | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN107563355A (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN105069468A (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN103837889A (zh) | 一种地震属性多源信息融合方法 | |
Zhu et al. | Deep learning-based key-block classification framework for discontinuous rock slopes | |
CN110929080A (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
Dang et al. | A convolutional neural network for coastal classification based on ALOS and NOAA satellite data | |
CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
Lv et al. | ShapeFormer: A shape-enhanced vision transformer model for optical remote sensing image landslide detection | |
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN115830596A (zh) | 基于融合金字塔注意力的遥感图像语义分割方法 | |
CN116977872A (zh) | 一种CNN+Transformer遥感图像检测方法 | |
CN115497002A (zh) | 一种多尺度特征融合的激光雷达遥感分类方法 | |
CN114997501A (zh) | 基于样本失衡的深度学习矿产资源分类预测方法及系统 | |
Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
CN117788996A (zh) | 一种融合大核注意力卷积的轻量化遥感图像目标检测方法 | |
CN115880505A (zh) | 一种目标边缘检测神经网络的低序级断层智能识别方法 | |
CN116051821B (zh) | 面向工程的单滑窗全月着陆区选取方法及其系统 | |
Astsatryan et al. | Astronomical objects classification based on the Digitized First Byurakan Survey low-dispersion spectra | |
CN114359709A (zh) | 一种针对遥感图像的目标检测方法及装置 |
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 |