[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

说明书

本发明基于改进的SE‑Inception‑v3网络模型的天文图像自动分类方法，属于图像识别及数据分析技术领域，其步骤包括：采集天文图像数据,所述图像信息包括不同波段合成的伪彩色图片；建立已采集天文图像数据和类别标签值的关联模型；以Inception‑v3网络为主干结构，融合SE通道注意力机制搭建图像分类模型；将ImageNet数据集经过Inception‑v3学习后的超参数迁移至新搭建的图像分类模型；以关联的天文图像作为输入层，预测图像类别为输出层，训练本发明搭建的天文图像自动分类网络以获取模型最优参数；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。SE‑Inception‑v3的融合解决了传统天文图像分类算法特征选择困难、分类速度和准确率受限的问题，天文图像自动识别精度高鲁棒性好。

技术领域

本发明属于图像识别及数据分析技术领域，具体涉及一种天文图像自动识别方法。

背景技术

星云的凝聚塌缩形成恒星和星系，星系形态是表征星系结构最直观的观测特征，研究不同形态的星系对于理解宇宙的形成和演化及行星的生命历程有着重要意义。现代大型巡天项目如MDS(Hubble Space Telescope Medium Deep Survey)、GOODS(The GreatObservatories Origins Deep Survey)、HUDF(Hubble Ultra Deep Field)、COSMOS(Cosmic Evolution Survey)、CANDELS(Cosmic Assembly Near-IR Deep ExtragalacticLegacy Survey)、SDSS(Sloan Digital Sky Survey)等提供了海量的天文图像，因此能够及时高效得对天文图像进行形态分类变得十分关键。

一些从数学视角出发的星系形态分类方法应运而生，如分数三角形算法按照星系悬臂轨迹对椭圆星系与环状星系进行形态分类；非负矩阵分解算法、四元极性复指数变化与二元随机分形搜索算法对星系形态进行分类识别。在人工智能与机器学习技术快速发展的大背景下，越来越多的人工智能技术被广泛应用到星系形态分类等领域，如支持向量机、K-means聚类算法、ResNet、随机森林、Few-short learning、卷积自编码与集成学习和Efficient Net等。

现有的天文图像分类方法与不断增加的海量天文观测数据极大推动了星系形态分类领域的发展。然而这些方法也存在天文图像类别单一使用场景有限、不同类别样本数量失衡、算法特征选择困难等问题，合理搭建天文图像分类网络模型以优化分类速度与分类准确率就显得至关重要。

发明内容

为了克服天文图像分类计算量大、硬件性能要求高、形态特征选择困难、分类速度慢、准确率受限的问题，本发明提出一种天文图像自动分类方法，通过迁移学习获取天文图像识别网络的初始参数，以Inception-v3网络为主干结构，融合SE(Squeeze andExcitation Network)通道注意力机制搭建分类模型。

为实现上述目的，本发明采用如下技术方案：

基于改进的SE-Inception-v3网络模型的天文图像自动分类方法，该方法包括如下步骤：

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；