【技术实现步骤摘要】
本专利技术涉及深空图像目标检测与分割的，具体涉及一种基于半监督学习的复杂背景下空间条纹目标检测方法。
技术介绍
1、空间目标检测目前主要分为两大类，一是条纹状空间目标检测，二是点状空间目标检测。空间目标的形态差异取决于相机的工作模式及曝光时间。其中，在恒星跟踪模式及长曝光较长时，空间目标将呈现条纹状。此时，空间条纹目标检测是指从点状恒星及噪声背景中检测出条纹拖尾状空间目标的过程。在强噪声及杂散光干扰情况下，由于条纹空间目标区域信噪比极低，专为直线状物体设计的hough变换及rough变换将不再适用。
2、根据guy nir等人《optimal and efficient streak detection inastronomical images》（参见《the astronomical journal》，2018年156(11)：229-244页），在该文献中结合rough变换来检测空间条纹目标，但不适用于强杂散光背景干扰下的情况。
3、根据ping jiang等人的《space debris automation detection and extractionbased on a wide-field surveillance system》（参见《the astrophysical journalsupplement series》，2022年259(03)：4-16页），在该文献首先利用改进的中值滤波进行去噪，然后利用hough变换进行空间条纹目标检测，但是同样也不适用于强杂散光背景干扰下的情况
技术实现思路
1、针对上述条纹状空间目标的检测，本专利技术提出一种基于半监督学习的复杂背景下空间条纹目标检测方法。该方法显著减少了对像素级标签图像的依赖，通过在训练过程中自动从无标注图像中发掘新的条纹分割知识，从而提升模型整体的泛化能力。
2、为达到上述目的，本专利技术采用的技术方案如下：
3、一种基于半监督学习的复杂背景下空间条纹目标检测方法，包括如下步骤：
4、步骤1、初始化两个unet网络，分别作为教师模型和学生模型，利用少量的有标签空间图像数据来预训练教师模型，得到具备初步条纹目标辨识能力的教师模型；
5、步骤2、将大量的无标签空间图像数据同时输入到教师模型和学生模型中，并且利用教师模型产生的伪标签来监督学生模型，并计算无监督损失和一致性正则化损失；
6、步骤3、将少量的有标签空间图像数据仅输入学生模型，得到有监督损失；将无监督损失、一致性正则化损失及有监督损失加权组合，用于训练学生模型的最终损失；
7、步骤4、仅将训练好的学生模型作为推理阶段的模型，用于空间条纹目标检测。
8、本专利技术与现有技术相比的有益效果在于：
9、（1）降低标注成本：仅需要少量含标签的空间图像数据，即可提升对无标签数据的利用能力，解决空间图像数据稀缺导致训练数据集不足的问题；
10、（2）提升鲁棒性：在训练学生模型时损失中的一致性正则化，确保了模型在杂散光多变的场景下的鲁棒性。
11、（3）提升泛化能力：通过结合含标签数据和无标签数据，提出的半监督学习方法可以更好地捕捉空间图像数据中条纹目标的分布特征，从而提高模型的泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤2包括：
4.根据权利要求3所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤3包括：
5.根据权利要求4所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤4包括：
6.根据权利要求1所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，少量的有标签空间图像数据与大量的无标签空间图像数据的数据量的比值为1:4。
【技术特征摘要】
1.一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的一种基于半监督学习的复杂背景下空间条纹目标检测方法，其特征在于，所述步骤2包括：
4.根据权利要求3所述的一种基于半...
【专利技术属性】
技术研发人员：赵汝进，朱梓建，淡冰冰，马跃博，龙鸿峰，刘恩海，梁震，易晋辉，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。