[发明专利]基于改进的SE-Inception-v3网络模型的天文图像自动分类方法

权利要求书

1.基于改进的SE-Inception-v3网络模型的天文图像自动分类方法，其特征在于，包括如下步骤：

步骤1.采集天文图像数据,所述图像信息包括不同波段（u、g、r、i、z）合成的伪彩色图片；

步骤2.建立已采集天文图像数据和类别标签值的关联模型；

步骤3.以Inception-v3网络为主干结构，融合SE通道注意力机制搭建SE-Inception-v3网络模型；在经过SE-Inception-v3网络模型处理后，先进入Dropout层，丢弃部分隐含层神经元，使网络变得更为紧凑以避免过拟合；其后依次进入全连接层与Softmax层，最后输出天文图像分类结果；

步骤4.将ImageNet数据集经过Inception-v3网络学习后的超参数迁移至SE-Inception-v3网络模型；在获取基于ImageNet数据集预训练完毕的Inception-v3模型后，用SE-Inception-v3网络模型的全连接层替换基于ImageNet数据集网络模型的全连接层，采用ImageNet预训练得到的权重参数来初始化新模型，在星系数据集上训练剩余参数，直至新网络模型训练完毕；

步骤5.以关联的天文图像作为输入层，预测图像类别为输出层，训练天文图像自动分类网络以获取模型最优参数；

步骤6、获取待分类的天文图像数据，输入SE-Inception-v3自动分类模型，得到天文图像识别结果。

2.根据权利要求1所述的基于改进的SE-Inception-v3网络模型的天文图像自动分类方法，其特征在于：步骤3中所述的Inception-v3网络主干结构为3个模组具体如下：

a1.Block1为Inception对称式分解卷积结构，降低约28%模型参数量；

a2.Block2为Inception对称式分解卷积的拓展结构，可将的卷积使用两个,的卷积来代替，的卷积使用,的卷积来代替；

a3.Block3为Inception非对称式分解卷积结构，降低约33%的网络参数量。

3.根据权利要求1所述的基于改进的SE-Inception-v3网络模型的天文图像自动分类方法，其特征在于：步骤3中所述的融合SE通道注意力机制，具体步骤包括：

b1.Transformation (F_tr): 给定一个输入特征图X，经过F_tr操作后生成特征图U；

b2.Squeeze(F_sq)：原始特征图维度是,其中H是高度(Height),W是宽度(Width),C是通道数(Channel)；Squeeze所做的就是把通过全局池化压缩为，相当于把压缩成一维，即该一维参数获得了全局视野；压缩操作计算公式如下：

式中:表示在坐标(i,j)处特征图U的取值；

b3.Excitation (F_ex)：将Squeeze操作得到的输入至2个全连接层与生成我们想要的通道权重值，两层全连接层之间存在一个超参数R, 向量经过第一层全连接层后维度由变为,再经过第二层全连接层，维度由变为；经过两层全连接层后，中不同数值表示不同通道的权重信息；激励操作计算公式如下：

式中：代表第一层全连接层的激活函数ReLU, 代表第二层全连接层的激活函数Sigmoid；

b4.Scale(F_scale)：将Excitation操作生成的权重向量加权到原始输入特征图U的每个通道上，生成的特征向量和特征图对应通道相乘，即特征图U中每个通道的个数值都乘中对应通道的权值，便得到我们想要的特征图,其尺寸大小与特征图U完全一样，SE模块不改变特征图的大小；相乘特征融合操作计算公式如下：

。

4.根据权利要求1所述的基于改进的SE-Inception-v3网络模型的天文图像自动分类方法，其特征在于：步骤5中所述的训练天文图像自动分类网络以获取模型最优参数，具体流程如下：

d1.样本集按照11:3:3的标准随机分为训练集、验证集与测试集；

d2.星系训练集图像分批次逐步进入改进的SE-Inception-v3网络模型训练；

d3.通过计算Softmax层的输出与给定星系形态类别标签值二者的误差，采用交叉熵损失函数（Cross Entropy Loss）调整权重参数，

其中为标签值，为预测值；

d4.训练步长每累计达100步时，验证集即对已训练好的模型进行分类准确率验证，直到逐步调整权重参数达到预期准确率时训练过程结束，保存星系形态分类模型的参数权重；

d5.最后用测试集对已训练好的星系形态分类模型进行准确率验证，输出星系分类结果。