[发明专利]一种基于度量学习的强引力透镜系统分类方法及装置

权利要求书

1.一种基于度量学习的强引力透镜系统分类方法，其特征在于，包括：

将待分类引力透镜图像与类别已知的引力透镜图像经预处理后作为图像对输入预先训练好的引力透镜分类模型，所述引力透镜分类模型输出两个图像类别相同或不相同的结果；

所述引力透镜分类模型包括两个特征提取模型和相似性度量计算模型，两个特征提取模型的输出端与相似性度量计算模型的输入端连接，所述图像对分别输入两个特征提取模型中。

2.根据权利要求1所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，两个所述特征提取模型输出成对的特征向量，所述相似性度量计算模型基于所述成对的特征向量，计算两个图像的欧式几何距离值，所述欧式几何距离值表示两个图像是否为同一类别。

3.根据权利要求2所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，如果计算的欧式几何距离值小于0.5，表示两个图像为同一个类别，如果计算的欧式几何距离值大于0.5，表示两个图像不是同一个类别。

4.根据权利要求1所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，所述特征提取模型包括依次连接的输入层、第一卷积层、第一归一化层、第一激活层、第一最大池化层、第一丢弃层、第二卷积层、第二归一化层、第二激活层、第二最大池化层、第二丢弃层、第三卷积层、第三归一化层、第三激活层、第三最大池化层、第三丢弃层、压平层、第一全连接层、第四激活层和第二全连接层，其中第一激活层、第二激活层、第三激活层和第四激活层均采用relu激活函数。

5.根据权利要求4所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，

第一卷积层的卷积核大小为3，通道数为32，步长为1，填充方式为same填充；

第一激活层将第一归一化层输出的负数的结果记为0，正数的结果为它本身；

第一丢弃层随机丢弃第一卷积层50%的神经元；

第二卷积层的卷积核大小为3，通道数为64，步长为1，填充方式为same填充；

第二激活层将第二归一化层输出的负数的结果记为0，正数的结果为它本身；

第二丢弃层随机丢弃第二卷积层50%的神经元；

第三卷积层的卷积核大小为3，通道数为256，步长为1，填充方式为same填充；

第三激活层将第三归一化层输出的负数的结果记为0，正数的结果为它本身；

第三丢弃层随机丢弃第三卷积层50%的神经元；

压平层将数据变为一维数据。

6.根据权利要求1所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，所述引力透镜分类模型的训练方法，包括：

获取引力透镜图像样本集，所述引力透镜图像样本集包括正样本和负样本；

对引力透镜图像样本集中的图像样本进行预处理；

将预处理后的图像样本进行配对，得到训练样本集，所述训练样本集包括类别相同的图像对和类别不相同的图像对；

将训练样本集中的各图像对输入两个特征提取模型，提取成对的特征向量；

将所述成对的特征向量输入相似性度量计算模型，得到图像对之间的欧式几何距离；

利用所述训练样本集，使用损失函数和优化算法，以类别不同的图像对欧式几何距离的值接近于1、类别相同的图像对欧式几何距离的值接近于0为目标，训练所述引力透镜分类模型。

7.根据权利要求6所述的一种基于度量学习的强引力透镜系统分类方法，其特征在于，所述对引力透镜图像样本集中的图像样本进行预处理，包括：

将引力透镜图像样本集中的图像样本的像素统一缩放到[0,1]区间，根据引力透镜在图像中的位置，对缩放后的图像样本进行裁剪，得到包含全部特征区域的图像。