[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

说明书

本发明公开了一种基于度量学习的强引力透镜系统分类方法及装置。其中，方法包括：获取引力透镜图像样本集；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；将配对好的数据作为模型的输入，搭建特征提取模型和相似性度量计算模型，进行模型的训练。本发明基于度量学习的理论基础，利用特征提取后不同向量之间的相似性度量，来确定数据的类别，使得本发明使用较少的训练样本完成引力透镜系统分类任务，规避了深度学习图像分类中的模型依赖问题。

技术领域

本发明涉及一种基于度量学习的强引力透镜系统分类方法及装置，属于天体物理学智能处理技术领域。

背景技术

天文学是一门历史悠久的观测科学，随着科学技术的发展，观测设备不断升级，人类对宇宙的认识由近到远，由浅到深逐步扩展。暗物质(Dark matter)是理论上提出的可能存在于宇宙中的一种不可见的物质，它可能是宇宙物质的主要组成部分，但又不属于构成可见天体的任何一种已知的物质。大尺度上能够维持物质运动的力只有引力，绝对均匀分布的物质之间不会有能使其运动的力。因此，如今所有的宇宙结构应该出自宇宙极早期物质分布的微小涨落，而这些涨落又会在宇宙微波背景(Cosmic Microwave Background,CMB)中留下一些痕迹。如果我们了解占宇宙几乎四分之一的暗物质的性质、了解宇宙极早期暗物质的分布或涨落，就可以进一步的了解宇宙和宇宙的演化。因此暗物质与暗能量在天文界有着其重要意义。然而，当暗物质不发出任何辐射时，我们是不可能被直接观测到，但通过引力透镜效应能分析出它们的空间分布，也就意味着引力透镜效应是发现宇宙暗物质与暗能量的重要方法。在天文图像数据资料匮乏的时代，我们主要依靠的人眼进行引力透镜系统的识别，然而随着LSST(Large Synoptic Survey Telescope美国大视场时空巡天项目)、EUCLID(欧盟欧几里得空间站巡天项目)、CSST(China Space Station Telescope中国巡天太空望远镜项目)等项目的建立，我们将来到的是大尺度巡天时代。届时会有数以万计的天文图像数据资料，为了能够对暗物质与暗能量进行研究与探索，需要在这些图像中来识别引力透镜系统进而确定暗物质与暗能量的存在。对于指数级增长的数据集，用人眼识别会带来很低的查找效率，因此自动化查找成为了一种解决方案，这样的解决方案为未来大尺度巡天时代的暗物质与暗能量研究带来了质的改变。通过自动化查找到的暗物质与暗能量，有助于挖掘出宇宙中特殊的、未知的天体，符合人类探索宇宙奥秘的目标。

现有的引力透镜系统分类模型，都是基于传统的深度学习，这种方法对数据集和模型有强烈的依赖性，需要大量的数据进行训练才能得到一个分类效果好的模型。但是强引力透镜的正样本是非常少的，目前我们能观测到的也只有几百个，无法实现深度模型的训练。此外，现有引力透镜系统分类模型对训练集的真实性也有要求，如果用生成的样本作为训练集进行训练，得到的模型效果与用真实数据集得到的模型效果存在差异。

发明内容

本发明的目的在于提供一种基于度量学习的强引力透镜系统分类方法及装置，也解决在引力透镜系统分类的任务中深度学习方法的数据和模型的依赖性问题，以在训练样本量较少的情况下，实现深度模型的训练。

为解决上述技术问题，一方面，本发明提供了一种基于度量学习的强引力透镜系统分类方法，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。

进一步地，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。