一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法

本发明属于天文图像处理，特别涉及了一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法。

背景技术：

1、星系，别称“宇宙岛”，指数量巨大的恒星系及星际尘埃组成的运行系统，是构成宇宙的基本单位。星系的形态与星系的形成、演化有着密切联系，是探究星系物理的重要参数。因此，对星系形态分类是天文学研究中的一个重要的环节。随着观测技术的进步，星系研究进入了大数据时代，预计会产生数以亿计的星系图像，传统的数据处理方法已经很难高效、实时的对这些星系图像进行处理和分析。

2、针对星系分类任务，星系形态自动分类方法发展迅速。文献(lin j y y，liao sm，huang h j，et al.galaxy morphological classification with efficient visiontransformer[m].arxiv，2022.)将vision transformer应用于星系形态的分类任务中，取得了与传统cnn分类器相近的分类效果。文献(wei s，lu w，dai w，et al.galaxymorphological classification of the legacy surveys with deformableconvolutional neural networks[j].the astronomical journal，2023，167(1)：29.)基于resnet架构，使用可变性卷积和lam特征融合模块设计了一个星系图像分类模型。

3、以上提出的基于机器学习的天文星系图像形态分类算法在一定程度上取得了成功，但是这些方法也存在天文图像类别使用场景有限、算法特征选择困难、准确率不够高等问题，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。

技术实现思路

1、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，本发明提出了一种天文图像自动分类方法。经过实验发现，利用本文提出的网络能够高效准确地进行星系形态自动分类。为解决上述技术问题，本发明的技术方案为：

2、一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类网络，包括特征提取resnet_lk block模块和分类头head block模块；

3、所述resnet_lk block模块是构建深度学习模型的基本单元，从输入特征中提取更高层次、更精细的多尺度信息，提高模型的表达能力和性能，包括3×3卷积、动态大核卷积dlk、多尺度前馈网络ms-ffn、注意力特征融合模块aff。

4、所述head模块整合从resnet_lk block中提取到的高维特征，并对其进行分类，包括3×3卷积、层归一化、多头注意力池化模块、relu激活函数、全连接层。

5、所述dlk模块使用两个级联的大核深度卷积，通过递增的核大小和膨胀率，获得更大更深的逐步增大的感受野。更大更深的感受野可以更有效地从输入特征中提取高维的特征，随后使用sigmoid的选择特性，自适应地学习从两个深度卷积中提取到的不同特征表示的重要程度，最后应用一个残差连接，来缓解梯度消失问题并增强网络学习能力。其中sigmoid函数的公式如下：

6、

7、所述ms-ffn模块使用四个并行的深度卷积，输入经过一个1×1大小的深度卷积整合输入特征，并将输入特征按照通道数分成四份，送入这四个并行的深度卷积支路，卷积核的大小分别是1×1、3×3、5×5、7×7，这样可以学习到不同尺度的信息。最终的输出经过concatenate以及残差连接，再经过一个1×1大小的深度卷积学习通道方面的缩放因子，来更好地融合多尺度信息，同时可以提高模型的表示能力。

8、所述aff注意力特征融合模块可以更好地融合不同语义和不同尺度的特征。对于输入的两个特征x、y，首先使用add的方式进行特征融合，随后分别进行局部和全局的通道注意力，再进行一次add的特征融合，融合后的特征经过sigmoid函数，对输入特征x、y进行加权平均，得到最终融合后的特征。

9、所述多头注意力池化模块的作用是将输入特征图经过位置嵌入、注意力处理和卷积操作，生成一个具有全局信息的向量表示，注意力池化可以从输入特征中提取重要的语义信息。

10、本发明还公开了一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类网络，包括以下步骤：

11、s1：使用公开数据集进行训练，数据来源是galaxy zoo官网的decals星系图像。对分类网络进行训练：使用制作好的数据集进行训练，得到训练好的模型权重。

12、s2：将训练好的模型进行加载，加载后输入测试集数据，得到测试集混淆矩阵和每一类的精确率、召回率、特异性、f1-score值、准确率，用来panduan网络的分类性能。

13、s3：利用s2确定的模型参数和分类指标，可以判断网络的分类效果和泛化性能。

14、有益效果：本发明与现有技术相比，在特征提取过程中首次同时加入动态大核卷积dlk、多尺度前馈网络ms-ffn、aff残差连接。本发明与传统的基于卷积神经网络的分类算法相比精度更高，具有更好的健壮性，极大的节约了人工成本，能够自动化的对星系形态进行高精度分类。

技术特征：

1.一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，其特征在于：resnet_lk block模块和分类头head block模块；

2.根据权利要求1所述，一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，在resnet_lk block中使用了dlk模块；

3.根据权利要求1所述，一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，在resnet_lk block中使用了ms-ffn模块；

4.根据权利要求1所述，一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，在resnet_lk block中使用了aff注意力特征融合模块；

5.根据权利要求1所述，一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，在分类头模块head block中使用了多头注意力池化模块；

6.根据权利要求1所述，一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，经过resnet_lk block的特征提取，以及多头注意力池化层之后使用全连接层并使用softmax函数进行了归一化，可以用下式表示：

技术总结本发明公开了一种基于动态大卷积核和多尺度前馈连接的星系图像形态分类方法，如图1所示，该网络是基于ResNet架构设计的，设计了特征提取模块ResNet_LK Block，包括动态大核卷积DLK、多尺度前馈神经网络MS‑FFN、注意力特征融合模块AFF。DLK采用多个大型卷积核来捕捉多尺度信息，利用动态选择机制，自适应地突出最重要的空间特征，可以捕获更精细和更具有信息性的特征。MS‑FFN用于对特征进行提取和变换，以提高模型的表示能力，同时可以有效捕获多尺度信息，添加一个1×1深度卷积核学习通道方面的缩放因子，更好地融合多尺度信息。AFF可以融合语义和尺度不一致的特征。本发明所提出的网络与经典的分类网络进行了对比，具有更高的分类准确率，对星系的研究具有重要意义。技术研发人员：马柏森,李琦,邱波受保护的技术使用者：河北工业大学技术研发日：技术公布日：2024/10/10