1.基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,包括:S1、数据准备与预处理:采集手性分子的STM源域图像和目标域图像,并进行预处理;
S2、构建多尺度特征提取网络:网络中,源域图像和目标域图像通过共享权重的骨干网络进行层次化特征提取,并经特征金字塔网络构建多尺度特征;
S3、频域感知的多尺度特征对齐:通过傅里叶变换将多尺度特征分解为低频分量和高频分量,采用频域判别器实现低频分量和高频分量的对抗对齐,获得频域对抗损失;
S4、基于最优传输的原型对齐:构建原型最优传输对齐模块,在模块中,进行源域图像与目标域图像之间手性分子L型和R型类别级特征的分布对齐,获得原型对齐损失;
S5、区域提议与目标检测:构建区域提议网络RPN,将多尺度特征输入区域提议网络RPN,获得候选区域;在获选区域内,通过检测头进行定位和分类,输出边界框及其对应属于背景/L型/R型三类的概率,并获得检测损失;
S6、三阶段课程训练策略:基于频域对抗损失、原型对齐损失和检测损失对多尺度特征提取网络进行三阶段课程训练,获得训练合格的多尺度特征提取网络;
S7、推理与检测输出:输入预处理后的目标域STM图像,采用训练合格的多尺度特征提取网络对STM图像进行特征提取,获得多尺度特征,重复步骤S5,进行STM图像手性分子检测。
2.根据权利要求1所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,源域数据为标准成像条件下获取的高质量STM图像,具有完整的边界框和手性类别标注;目标域数据为不同成像条件下获取的图像,在训练阶段保持无标签状态,仅在评估阶段使用标注。
3.根据权利要求2所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,预处理具体为:将所有输入图像统一调整至统一像素尺寸;对图像进行归一化处理;应用数据增强策略以增加训练数据的多样性。
4.根据权利要求3所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,骨干网络在ConvNeXt模型基础上进行改进,具体为:第一,采用7×7大核深度可分离卷积替代传统的3×3卷积;
第二,采用层归一化替代批归一化;
第三,采用GELU激活函数替代ReLU激活函数;
第四,在ConvNeXt网络的stem层使用4×4卷积对输入图像进行下采样,而非传统的池化层。
5.根据权利要求4所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,通过傅里叶变换将多尺度特征分解为低频分量和高频分量具体为:对于特征金字塔网络层级上的特征图,首先对每个通道独立应用二维离散傅里叶变换,获得频域表示:;随后,通过频率选择滤波将频域表示分解为低频和高频分量,定义低通滤波器掩模,其中为截止频率阈值,低频分量和高频分量的提取公式为:;;其中表示逐元素乘法;
频域对抗损失通过获得,其中,权衡每个金字塔层级的贡献,平衡低频和高频适应,表示金字塔网络总层级,为低频对齐损失,为高频对齐损失。
6.根据权利要求5所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,原型对齐损失通过获得,其中,,为可学习参数向量,Softmax函数将映射为和为1的正权重,,表示在层级上从源域第类原型传输到目标域第类原型的质量比例,,其中,表示欧氏距离的平方,表示源域第类原型在层级的原型向量,表示目标域第类伪原型在层级的伪原型向量。
7.根据权利要求6所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,区域提议网络RPN在各金字塔层级独立运行,负责生成可能包含手性分子的候选区域,RPN在每个空间位置通过两个并行的1×1卷积分支分别进行分类和回归预测,分类分支输出每个锚框属于前景还是背景的二分类得分;回归分支输出锚框相对于真实目标框的位置偏移量;
检测头对筛选后的区域提议进行精细分类和定位,首先通过RoI Align操作从对应金字塔层级提取固定尺寸的区域特征,提取的区域特征经过展平后输入两层全连接网络进行编码,第一全连接层使用ReLU激活函数;第二全连接层使用ReLU激活函数,这两层全连接网络将区域特征编码,用于后续的分类和回归;
最终的分类头和回归头分别从编码特征进行预测,分类头输出背景/L型/R型三类的概率分布,即每个提议属于各类别的后验概率,回归头输出边界框的精修偏移量,用于将区域提议调整至更精确的目标位置。
8.根据权利要求7所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,总检测损失,其中,和为权重系数,为RPN损失,为检测头损失,;
其中为第个锚框的预测前景概率,为其真实标签,为二元交叉熵损失;为预测的位置偏移,为真实位置偏移,为Smooth L1损失;和为归一化因子,为平衡系数;
,其中,为检测头三分类交叉熵损失,为Smooth L1回归损失。
9.根据权利要求8所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,三阶段课程训练策略具体为:第一阶段为源域预训练阶段,对应20%的训练迭代,在此阶段,仅在源域数据上进行标准的监督目标检测训练,优化检测损失;
第二阶段为频域对齐引入阶段,对应20%-60%的训练迭代,在此阶段,逐渐引入频域对抗对齐,训练目标变为:;其中对抗损失权重从0线性增加至最终值1.0;
第三阶段为原型对齐激活阶段,对应60%-100%的训练迭代,在此阶段,激活基于最优传输的原型对齐损失,完整训练目标为:;
其中原型对齐损失权重从0渐进增加至最终值1.0。
10.根据权利要求9所述的基于频域原型域对齐的STM图像手性分子跨域检测方法,其特征在于,推理与检测输出时,对所有非背景类别的检测结果应用类别级NMS,去除高度重叠的冗余检测,NMS的IoU阈值设为0.5,最终保留置信度高于0.5的检测结果作为输出,输出格式包括:每个检测框的边界框坐标、类别标签和置信度得分。