【技術實現步驟摘要】
本專利技術涉及一種基于完全自注意力機制的多航天器分割裝置和方法，屬于人工智能和空間智能感知技術交叉領域。
技術介紹
1、隨著空間技術的高速發展，太空已經成為世界各航天強國的戰略競爭點，航天科技也漸漸成為衡量各國綜合實力的一項重要指標。同時，在軌目標數量的大幅增加也給航天器在軌運行帶來了極大的干擾，空間安全面臨的挑戰急劇上升。在空間任務中，服務航天器針對環境目標的語義分析可以提供對目標航天器型號類別、組部件結構等信息的詳細理解，準確的語義辨識結果可以為在軌避障、定位、控制等提供重要支撐，這對于監控航天器的狀態、檢查設備的完整性以及執行維修和維護任務有極大的促進作用。因此，為保障空間安全，研究在軌航天器的語義判別十分必要。
2、然而，由于太空環境復雜、目標模型結構先驗信息不足且形態多樣、運動模式多變且維度高，傳統探測手段難以高效提取目標的顯著、通用特征，無法適應空間復雜環境與多樣化任務需求；同時，由于目標探測數據獲取代價高，在軌有效標注實現困難，航天領域數據饑餓問題尤為嚴重，極難開展數據驅動的深度學習模型的端到端訓練；另一方面，服務航天器配置的在軌計算資源十分有限，高效的端到端智能模型由于其參數量大且對gpu性能依賴強，難以直接部署作業。現有方法存在諸多限制，針對多航天器語義的判別研究進展緩慢。
3、目標實例分割任務已經在計算機視覺領域已研究了數十年，用于普通語義分割任務的卷積神經網絡模型要么太慢，要么太消耗內存，不滿足航天領域的低消耗、高精度的任務需求。近年來完全自注意力機制在圖像領域的應用給任務帶來了新的
技術實現思路
1、針對上述問題，本專利技術提出了一種基于完全自注意力機制的多航天器分割裝置和方法，將在軌航天器的語義分析任務分為兩個模塊。第一個模塊(作業任務)是一個基于自注意力模型和特征金字塔的語義判別模型，利用完全自注意力機制提取探測數據的多層次、多尺度卷積特征組合，并設計特征金字塔解碼框架實現目標語義的任務回歸。第二個模塊(模型泛化)是一個基于自監督的語義判別模型預訓練模塊，基于設計的語義判別模型，對輸入數據進行隨機掩碼覆蓋，以模型恢復結果與原始輸入圖像之間的相似性度量預訓練原有模型后，再進行語義判別的任務訓練。總體過程遵循“預訓練-學習”的流程，兩個步驟使用相同的網絡模型，通過預訓練學習到圖像像素之間的內在關聯后，進一步修改網絡輸出，學習探測數據與語義信息的關系，能夠高效準確地為服務航天器提供準確的目標語義信息。
2、本專利技術提出的一種基于完全自注意力機制的多航天器分割裝置，具體包括：
3、探測數據模擬和數據預處理模塊，模擬航天器在軌探測并將模擬圖像進行歸一化操作；
4、基于自注意力模型的多級特征分階段提取模型，對歸一化后的圖像數據通過5個相同框架的編碼階段逐級提取，準確高效地獲得圖像中粗粒度特征和細粒度特征。其中，主干網絡集成了自注意力模型進行多級特征提取階段的設計，總體來看，模型包括5個編碼階段，通過多個編碼階段特征圖逐步減小且特征通道逐步增大；每個特征提取階段采樣相同的步驟：圖像塊序列生成→高效自注意編碼→前饋卷積編碼→特征循環泛化。通過逐層抽取高分辨率的粗粒度特征和低分辨率的細粒度特征，實現了特征增強，為下游多航天器語義回歸任務提供了充足有效的特征基礎。
5、基于特征金字塔的多航天器語義分析模型，對上一步提取到的多尺度特征，深層次的特征圖能夠包含目標的宏觀特征全局關聯，淺層次的特征圖能夠更為準確地包含目標航天器的局部精細特征信息。設計非對稱的航天器語義分析結構，通過反卷積層進行深層特征圖的上采樣計算，將特征圖逐層放大；然后，將上采樣計算得到的特征圖與編碼得到的特征圖進行跨層融合連接，對得到的深淺層組合特征進行逐層上采樣，實現特征增強；最后，利用二維卷積將融合得到的特征圖進行通道合并，回歸生成與預設目標類別一致的多通道預測結果，最終在像素級別實現了目標航天器的語義分析，每個通道代表對應類別目標的掩碼預測。
6、輸入圖像的多模式擾動方式，考慮多種擾動方式對數據輸入存在不同的影響，設計重疊圖像塊丟棄、非重疊圖像塊丟棄、噪聲覆蓋、隨機掩碼覆蓋四種方式實現對網絡輸入信息的隨機干擾，為模型預訓練提供豐富的數據模態。
7、基于自監督方法的語義分析模型預訓練框架，對于前兩步設計綜合的多航天器語義分析模型，通過修改最后階段的網絡輸出及損失函數，對輸入數據進行隨機的掩碼丟棄后，以原輸入數據作為學習目標進行模型泛化增強訓練，訓練結果作為預訓練模型進行多航天器語義判別的任務學習，強化模型作業性能，提升最終語義分析精度。
8、相應地，本專利技術提供了基于完全自注意力機制的多航天器分割方法，包括以下步驟：
9、步驟1，對總體數據集的圖像rgb值進行歸一化計算，以預設批規模從訓練集抽取相應數量的圖像和標簽，并對圖像進行像素歸一化，作為網絡模型的輸入。進一步，基于自注意力模型架構對輸入數據進行多級特征提取，通過圖像塊序列生成→高效自注意編碼→前饋卷積編碼→特征循環泛化四個主要過程，逐層抽取高分辨率的粗粒度特征和低分辨率的細粒度特征，實現了特征增強分別得到高分辨率的粗粒度特征和低分辨率的細粒度特征，將“粗-細”特征相互結合提高對小目標航天器語義分析的性能；
10、步驟2，利用非對稱的特征金字塔架構進行多級特征的融合解碼。首先，對于編碼模塊提取到的特征，利用反卷積層進行特征圖逐層上采樣；然后，將上一階段恢復的特征圖與編碼得到的特征進行融合連接；最后，利用二維卷積將融合得到的特征圖進行通道合并，得到與目標類別一致的通道數，在像素級別實現了目標航天器語義分析；
11、步驟3，根據步驟1和步驟2設計的多航天器語義分析模型，通過修改最后階段的網絡輸出及損失函數，對輸入數據增加不同模式的干擾，并以原輸入作為學習目標進行模型自監督訓練，通過訓練模型學習到圖像像素之間的相互關系，作為預訓練模型為最終任務提供有效的模型參數；然后再以目標掩碼注釋作為學習目標進行語義判別的模型訓練，通過預訓練強化模型效能，提升最終語義分析精度。
12、本專利技術的優點在于：
13、(1)提出了基于自注意力模型的多級特征分階段提取模型，通過遞歸的方式，依次對不同尺寸的特征圖進行5個相同框架的編碼特征抽取，每個階段的輸入均來自上一階段編碼生成的特征圖，特征圖大小通過逐層編碼逐級遞減，所提取到的數據特征越來越精細，準確高效地獲得圖像中粗粒度特征和細粒度特征，通過逐層抽取多尺度特征，實現了特征增強，為下游多航天器語義回歸任務提供了充足有效的特征基礎；
14、(2)提出基于特征金字塔的多航天器語義回歸模型，通過將提取到的多層次特征逐層解碼，并以金字塔形式進行多級特征融合本文檔來自技高網...
【技術保護點】
1.一種基于完全自注意力機制的多航天器分割裝置，其特征在于，所述裝置包括以下模塊，
2.根據權利要求1所述的裝置，其特征在于，基于自注意力模型的多級特征分階段提取模型，構建該模型的步驟具體為：
3.根據權利要求1所述的裝置，其特征在于，基于特征金字塔的多航天器語義分析模型，構建該模型的步驟具體為：
4.根據權利要求1所述的裝置，其特征在于，輸入圖像的多模式擾動方式，擾動方式具體為：
5.根據權利要求1所述的裝置，其特征在于，基于自監督方法的語義分析模型預訓練框架，構建步驟具體為：
6.一種基于完全自注意力機制的多航天器分割方法，其特征在于，所述方法包括以下步驟，
【技術特征摘要】
1.一種基于完全自注意力機制的多航天器分割裝置，其特征在于，所述裝置包括以下模塊，
2.根據權利要求1所述的裝置，其特征在于，基于自注意力模型的多級特征分階段提取模型，構建該模型的步驟具體為：
3.根據權利要求1所述的裝置，其特征在于，基于特征金字塔的多航天器語義分析模型，構建該模型的步驟...
【專利技術屬性】
技術研發人員：胡慶雷，郭鵬宇，李東禹，歐陽真超，童尚，
申請(專利權)人：天目山實驗室，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。