1.一种基于天文时频图像的射频干扰识别方法,其特征在于,包括:
获取天文时频图像;
构建由编码器、Branch分支、解码器构成的基于多尺度特征融合的MS-TransUNet网络模型;将天文时频图像作为编码器、Branch分支的输入,分别获得编码器特征图、高维特征图;将编码器特征图作为解码器的输入,在解码器中引入多尺度残差位置感知注意模块提取特征图信息,将解码器中第四个上采样的输出与Branch分支的输出进行拼接,获得拼接特征图,实现将空间信息与高阶语义信息进行整合;所述拼接特征图通过1次卷积操作后再经分割头预测每个像素的类别,以输出射频干扰掩膜图像;其中类别包括:干扰、非干扰;
所述Branch分支具体在于:对输入的天文时频图像分别经一个3×3的卷积核和一个1×1的卷积核操作后的输出进行加法操作,再经批量归一化、Relu操作获得高维特征图;
所述基于多尺度特征融合的MS-TransUNet网络模型的编码器、解码器以TransUNet网络的编码器、解码器为框架,在编码器中,Transformer块采取一个Transformer层;在解码器中引入多尺度残差位置感知注意模块;
所述编码器包含卷积块、Transformer块;其中,卷积块对输入的天文时频图像进行局部特征提取,获得三个不同尺度的射频干扰目标局部特征图;Transformer块将第三尺度的射频干扰目标局部特征图进行编码并对其进行特征提取,获得编码器特征图;
所述解码器在第一次上采样后引入了多尺度残差位置感知注意模块;
所述多尺度残差位置感知注意模块,具体在于:通过设置“不同空洞率的膨胀卷积+平均池化”以提取多尺度残差位置感知注意模块输入图像不同尺度下的特征信息;将膨胀卷积和平均池化的结果拼接,然后通过一个1×1卷积进行降维;将多尺度残差位置感知注意模块原始输入图像与降维后的特征图进行加法操作,再经批量归一化、Relu操作后的特征图进行通道洗牌操作;对通道洗牌操作后的特征图分别在水平和垂直方向进行全局平均池化,得到两个特征图,将水平和垂直方向的特征图进行拼接后经1×1卷积、批量归一化和非线性激活处理,将处理后的特征图在通道维度上分割成两个部分:分别通过 1×1 卷积conv,然后经过 Sigmoid 激活函数得到权重;将“通道洗牌操作后的特征图与两个权重相乘获得的输出”与“乘以预设系数的多尺度残差位置感知注意模块原始输入图像和乘以预设系数的通道洗牌操作后的特征图相加的输出”进行相加操作后作为多尺度残差位置感知注意模块输出。
2.根据权利要求1所述的基于天文时频图像的射频干扰识别方法,其特征在于,所述基于多尺度特征融合的MS-TransUNet网络模型还包括训练和测试步骤,具体为:将获取的天文时频图像采用标注+矫正的方式制作真实掩膜标签图像,以此构建数据集;
依据预设比例,将数据集随机划分训练集、验证集和测试集;
将训练集运用Transformer增强技术以进行扩充,获得扩充训练集;
依据扩充训练集、验证集对基于多尺度特征融合的MS-TransUNet网络模型进行训练和验证,获得训练好的基于多尺度特征融合的MS-TransUNet网络模型;
将测试集中天文时频图像作为训练好的基于多尺度特征融合的MS-TransUNet网络模型的输入,获得射频干扰掩膜图像。
3.一种基于天文时频图像的射频干扰的识别系统,其特征在于,包括:
获取模块,用于获取天文时频图像;
识别模块,用于构建由编码器、Branch分支、解码器构成的基于多尺度特征融合的MS-TransUNet网络模型;将天文时频图像作为编码器、Branch分支的输入,分别获得编码器特征图、高维特征图;将编码器特征图作为解码器的输入,在解码器中引入多尺度残差位置感知注意模块提取特征图信息,将解码器中第四个上采样的输出与Branch分支的输出进行拼接,获得拼接特征图,实现将空间信息与高阶语义信息进行整合;所述拼接特征图通过1次卷积操作后再经分割头预测每个像素的类别,以输出射频干扰掩膜图像;其中类别包括:干扰、非干扰;
所述Branch分支具体在于:对输入的天文时频图像分别经一个3×3的卷积核和一个1×1的卷积核操作后的输出进行加法操作,再经批量归一化、Relu操作获得高维特征图;
所述基于多尺度特征融合的MS-TransUNet网络模型的编码器、解码器以TransUNet网络的编码器、解码器为框架,在编码器中,Transformer块采取一个Transformer层;在解码器中引入多尺度残差位置感知注意模块;
所述编码器包含卷积块、Transformer块;其中,卷积块对输入的天文时频图像进行局部特征提取,获得三个不同尺度的射频干扰目标局部特征图;Transformer块将第三尺度的射频干扰目标局部特征图进行编码并对其进行特征提取,获得编码器特征图;
所述解码器在第一次上采样后引入了多尺度残差位置感知注意模块;
所述多尺度残差位置感知注意模块,具体在于:通过设置“不同空洞率的膨胀卷积+平均池化”以提取多尺度残差位置感知注意模块输入图像不同尺度下的特征信息;将膨胀卷积和平均池化的结果拼接,然后通过一个1×1卷积进行降维;将多尺度残差位置感知注意模块原始输入图像与降维后的特征图进行加法操作,再经批量归一化、Relu操作后的特征图进行通道洗牌操作;对通道洗牌操作后的特征图分别在水平和垂直方向进行全局平均池化,得到两个特征图,将水平和垂直方向的特征图进行拼接后经1×1卷积、批量归一化和非线性激活处理,将处理后的特征图在通道维度上分割成两个部分:分别通过 1×1 卷积conv,然后经过 Sigmoid 激活函数得到权重;将“通道洗牌操作后的特征图与两个权重相乘获得的输出”与“乘以预设系数的多尺度残差位置感知注意模块原始输入图像和乘以预设系数的通道洗牌操作后的特征图相加的输出”进行相加操作后作为多尺度残差位置感知注意模块输出。
4.一种处理器,其特征在于,所述处理器用于执行操作,所述操作包括执行权利要求1至2中任意一项所述的基于天文时频图像的射频干扰识别方法。
5.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的基于天文时频图像的射频干扰识别方法的步骤。