[发明专利]一种基于对比学习的地外探测图像识别方法及系统

说明书

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。

技术领域

本发明属于图像识别领域，具体设计一种基于对比学习的地外探测图像识别方法及系统。

背景技术

图像识别旨在辨识图像所包含的物体，根据物体将图像分类至一个标签。计算机图像识别方法可以代替人类处理视觉信息，是信息时代的一门重要技术。传统的图像识别模型使用人工设计的特征提取机制及简单的分类器。近年来基于深度学习的图像识别模型采用数据驱动的卷积模型，模型通常在大型数据集上端到端训练。

外星地表图像为地外探测车在外星地表通过相机所收集的图像。与通常的图像识别任务不同，在外星地表探索任务中，模型只能使用探测器当前已拍摄的数据作为训练集，未来拍摄的数据则为测试目标。然而，由于探测器的前行与时间推进造成的环境变化与设备老化，以及探测器并不是以稳定的频率均匀地使用每一个设备进行数据采集，新拍摄数据通常与已有数据存在差异，造成了训练-测试的性能差距。现有图像识别方法无法克服这种训练-测试差异的影响，不满足地外探索的应用需求。

发明内容

针对上述问题，本发明提出了一种基于对比学习的外星地表图像识别方法及系统，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。

本发明采用的技术方案如下：

一种基于对比学习的外星地表图像识别方法，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。

进一步地，总损失函数由分类交叉熵损失函数、类间对比学习损失函数和相似度学习损失函数组成。

一种基于对比学习的外星地表图像识别系统，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。

与现有技术相比，本发明的积极效果为：