一种基于对比学习的地外探测图像识别方法及系统与流程

技术特征：
1.一种基于对比学习的外星地表图像识别方法，其特征在于，包括以下步骤：搭建图像识别模型，该图像识别模型包含特征提取器、分类检测器、类间对比学习检测器和相似性学习检测器；搜集有标签和无标签的外星地表图像训练数据集，并输入到图像识别模型进行训练，该图像识别模型通过特征提取器提取外星地表图像的图像特征，通过分类检测器对外星地表图像的图像特征进行分类，通过类间对比学习检测器和相似性学习检测器根据分类后的图像特征分别进行类间对比学习和相似性学习任务目标的预测，以使该图像识别模型自适应学习新样本类型与数据域分布；通过迭代训练优化模型参数，直到该图像识别模型的总损失函数最小为止，得到训练好的图像识别模型；将待检测的外星地表图像输入到该训练好的图像识别模型中进行分类，该训练好的图像识别模型通过特征提取器提取外星地表图像的图像特征，通过分类检测器根据所述图像特征进行分类，输出分类预测结果。2.如权利要求1所述的方法，其特征在于，进行类间对比学习时，首先对数据集中的样本x
i
进行随机数据增强操作，生成两个模态d1(x
i
)和d2(x
i
)，其中d表示同一个随机数据增强操作；数据增强操作包含形状增强和像素增强，形状增强包括翻转、裁剪、缩放大小和旋转，像素增强包括高斯模糊、颜色抖动和降低饱和度。3.如权利要求1所述的方法，其特征在于，迭代训练次数至少为25轮。4.如权利要求1所述的方法，其特征在于，图像识别模型的总损失函数由分类交叉熵损失函数l
cls
、类间对比学习损失函数l
s
和相似度学习损失函数l
u
组成，表达式为：l＝λ
cls
l
cls
λ
s
l
s
λ
u
l
u
，其中λ
cls
、λ
s
和λ
u
是权重项。5.如权利要求4所述的方法，其特征在于，λ
cls
＝1，λ
s
＝1，λ
u
＝0.2；类间对比学习损失函数l
s
的训练批batch大小为24，分类交叉熵损失函数l
cls
和相似度学习损失函数l
u
的训练批batch大小为16。6.如权利要求4所述的方法，其特征在于，分类交叉熵损失函数l
cls
的表达式为：其中，y
c
为样本的标签，正确类的值为1，错误类的值为0；p
c
＝h
cls
(b(x))为分类检测器所预测的样本属于类别c的概率，b(x)是特征提取器；m为类别总数。7.如权利要求4所述的方法，其特征在于，类间对比学习损失函数l
s
的表达式为：其中，τ为温度系数；k为1或2，表示在经过了d
k
数据增强的样本x
c
.上提取的特征；x
ci
和x
cj
分别表示类别标签为ci和cj的样本；sim(
·
，
·
)代表两个归一化向量的相似度，即sim(u，v)＝u
t
v，其中u，v表示两个归一化向量。8.如权利要求7所述的方法，其特征在于，τ＝0.2。9.如权利要求4所述的方法，其特征在于，相似度学习损失函数l
u
的表达式为：其中，k为1或2，b是特征提取器，h
u
是相似性学习检测器，表示
在经过了d
k
数据增强的无标签图像x
u
上提取出的图像特征。10.一种基于对比学习的外星地表图像识别系统，其特征在于，包括：数据采集模块，用于采集外星地表图像，输入到图像识别模型中进行识别；图像识别模型，包含特征提取器、分类检测器、类间对比学习检测器和相似性学习检测器；特征提取器用于提取外星地表图像的图像特征；分类检测器用于对外星地表图像的图像特征进行分类；类间对比学习检测器和相似性学习检测器用于在训练过程中根据图像特征分别进行类间对比学习和相似性学习任务目标的预测，以使该图像识别模型自适应学习新样本类型与数据域分布；该图像识别模型经过训练后，用于对待检测的外星地表图像的图像特征进行识别和分类；预训练模块，用于搜集有标签和无标签的外星地表图像训练数据集，并输入到所述图像识别模型进行迭代训练，通过优化模型参数，降低模型的总损失函数，获得训练后的图像识别模型。

技术总结
本发明公开一种基于对比学习的外星地表图像识别方法及系统，属于图像识别领域，通过搭建图像识别模型，并对该模型进行类间对比学习和相似性学习训练，来识别外星地表图像。本发明能够在不引入额外人类监督的条件下，使模型自适应学习新样本类型与数据域分布，进而兼容未知环境，更加准确地识别外星地表图像，满足探索应用需求。足探索应用需求。足探索应用需求。


技术研发人员：刘家瑛 汪文靖 林里浪 樊泽嘉 郭宗明
受保护的技术使用者：北京大学
技术研发日：2021.08.31
技术公布日：2021/12/14