[发明专利]一种域自适应撞击坑检测方法、系统、装置及存储介质

说明书

本发明公开了一种域自适应撞击坑检测方法、系统、装置及存储介质，方法包括：获取任务样本；利用特征金字塔网络，对任务样本进行特征提取，获得特征图；其中，特征提取网络包括低级特征增强模块和圆形边界增强模块；特征图包括第一特征图和第二特征图；对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；利用区域推荐网络，分别对中间子空间特征和第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；利用加权实例级对齐网络，对中间边界框检测结果和目标域边界框检测结果进行相似度加权，得到目标检测结果。本发明能够有效提高撞击坑的检测效率，可广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是一种域自适应撞击坑检测方法、系统、装置及存储介质。

背景技术

随着科学技术在外太空探索方面的应用。火星和月球等行星逐渐揭开了它们神秘的面纱。撞击坑主导的行星地形特征对研究人员具有重要意义，撞击坑的数量和大小对于分析行星的历史非常重要，可以帮助航天器导航和着陆。因此，快速准确的撞击坑探测算法有助于更好地探索其他行星。

然而，在以下三个方面，撞击坑数据集之间的域自适应检测问题仍然是一个很大的挑战：

1)在数据集方面，注释良好的数据集昂贵且难以获得，目前没有真实的跨域撞击坑检测数据集。现有方法主要用于一般自然场景。即使这些方法可能具有应用于撞击坑场景的潜在能力。他们没有有效利用坑的特征。因此，基于现有数据自然不可能获得高的域泛化性能。

2)在特征对齐方面，现有方法只能粗略对齐两个分布，不能有效对齐分布边缘的样本。此外，将两个域之间的距离最小化会严重损失模型的一些分布感知，在大多数情况下，松散模型比紧密模型更好，而此方面的研究较少。

3)就深度模型的可解释性而言，分布度量，如最大平均距离(MMD)、图距离或原型距离可用于对齐源域和目标域。然而，这一过程是通过最小化训练过程中的损失函数来实现的，这是不可知的，通常只能通过实验结果来验证这一点，并且没有关于哪个分布度量度量最适合当前任务的理论研究。

鉴于此，如何提高撞击坑检测效率是一个亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供一种域自适应撞击坑检测方法、系统、装置及存储介质，能够有效提高撞击坑的检测效率。

一方面，本发明的实施例提供了一种域自适应撞击坑检测方法，包括：

获取任务样本；其中，任务样本包括已知标签的源域样本和未知标签的目标域样本；

利用特征金字塔网络，对任务样本进行特征提取，获得特征图；

其中，特征提取网络包括低级特征增强模块和圆形边界增强模块；特征图包括第一特征图和第二特征图；

对特征图进行线性变换，通过渐进域自适应网络获得中间子空间特征；

利用区域推荐网络，分别对中间子空间特征和第二特征图进行分析，获得中间边界框检测结果和目标域边界框检测结果；

利用加权实例级对齐网络，对中间边界框检测结果和目标域边界框检测结果进行相似度加权，得到目标检测结果。

可选地，还包括：

利用分类损失和回归损失作为整体网络的损失函数，对整体网络进行训练；

其中，整体网络包括加权实例级对齐网络。

可选地，还包括：

基于低级特征增强模块和圆形边界增强模块，结合卷积网络，构建特征金字塔网络；

其中，特征金字塔网络包括两个分支，两个分支均包括卷积网络连接并列的低级特征增强模块和圆形边界增强模块。