CN110097075B - 基于深度学习的海洋中尺度涡分类识别方法 - Google Patents
基于深度学习的海洋中尺度涡分类识别方法 Download PDFInfo
- Publication number
- CN110097075B CN110097075B CN201910216478.0A CN201910216478A CN110097075B CN 110097075 B CN110097075 B CN 110097075B CN 201910216478 A CN201910216478 A CN 201910216478A CN 110097075 B CN110097075 B CN 110097075B
- Authority
- CN
- China
- Prior art keywords
- vortex
- data
- identification
- model
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的海洋中尺度涡旋分类识别方法。本方法涉及了物理海洋,计算机图形图像处理,机器学习领域。该算法主要包括模型构建、后向处理、模型算法调整。首先,模型构建,采用多种训练策略,基于卷积神经网络算法,对中尺度涡旋分类模型进行训练,建立涡旋分类模型,实现中尺度涡旋高效分类。第二,后向处理,根据模型输出的概率密度图,定位高概率涡旋像素,对重复涡旋图像进行合并剔除,对错误分类的数据进行回收。最后,模型算法调整,将错误分类数据加入训练数据集对模型进行再训练,建立识别模型,最终确定涡旋所在海区位置。实践证明,该方法提高了涡旋自动分类识别效率,扩展了深度学习在海洋领域的应用。
Description
技术领域
本发明涉及物理海洋、计算机图形图像处理、机器学习领域,特别涉及一种基于深度学习的海洋中尺度涡分类识别方法,该方法是一种结合训练策略、模型建立和后向处理再训练的高效中尺度涡旋分类识别方法。
背景技术
中尺度涡作为海洋中普遍存在的自然现象,以其能够包裹携带大量水体迁移,引起垂向上的海水混合,对海洋动能、海水内部生物地球化学过程、海气交互作用都有着重要的影响。中尺度涡的时间尺度为几天到几年,空间尺度为几十千米到几百千米,北半球逆时针旋转形成气旋涡,南半球顺时针旋转形成反气旋涡。中尺度涡旋的分类识别是研究中尺度涡现象的基础,典型的物理算法识别长时间序列涡旋效率较低,依据图形图像分类识别原理,采用机器学习方法对中尺度涡进行高效识别,对研究中尺度涡、扩展机器学习方法在海洋领域的应用有着重要的意义。
目前中尺度涡旋的识别包括以下几种比较有代表性的方法:
(1)Okubo-Weiss(OW)参数法,该方法长期被海洋学家们应用,可以从海洋背景场中提取特征,该方法已被证明有较多缺点。第一,需要制定W值的阈值,然而对于全球来说并没有一个统一的阈值。第二,W参数的估计也会受到SSH的噪声影响。第三,W等值线定义的涡旋内部与SSH等值线不重合。
(2)基于SLA的闭合等值线方法,该方法优点在于不受OW的影响,且识别的准确性较高;效率略低。
(3)WindingAngle(WA)缠绕角度方法,该方法已被证明比SSH的方法具有更高的准确性,但是计算复杂度太高。
综合以上几种典型方法的优缺点,目前采AVISO的SLA数据进行基于SLA闭合等值线算法的中尺度涡旋识别是典型算法中兼顾效果和效率的最佳选择,可以作为真实数据用于对比研究。
机器学习存在于现代社会生活中的诸多方面,如从网页搜索到社交网络内容过滤、网络购物等相关产品的推荐、以及电子邮件中的垃圾邮件过滤等都是机器学习的具体实例。此外,机器学习还大量应用在图像识别,物体匹配等领域。随着机器学习的不断发展,深度学习作为一种基于状态学习的算法,省去特征提取器的人工创建步骤,最终可以达到分类识别的目的。目前深度学习已经广泛应用在人工智能领域,如科学探索、经济发展、政府决策等方面来解决不同的问题,而且善于发现复杂数据中的特征,。在海洋领域,随着卫星遥感的长时间、大范围观测提供了多年数据,海洋大数据时代的到来,促使着深度学习的方法可以应用于海洋数据,使用大量的海洋数据训练模型,用以解决海洋空间信息高效提取、挖掘等问题。Ducournau等(2016)采用CNNs方法对海表面温度数据进行了高分辨率重构,该工作使用多年多源遥感观测海表面温度数据进行双三次插值生成的高分数据作为标准数据对深度学习模型进行训练,模型经过训练后可以将由双三次差值的低分辨率SST重构为高分SST。Zeng等(2015)采用人工神经网络(ANN)的方法和经验正交函数(empiricalorthogonal function,EOF)分析对海表面高度数据SSH进行预测,最终达到对墨西哥湾中的套流变化和涡旋脱落过程进行预测的目的。其中,EOF分析用于将SSH进行空间和时间上的分解,人工神经网络则用于对SSH的时间分量的变化进行预测,最终再用预测的时间分量与SSH的空间分量进行重构得到SSH的时空变化。近几年,使用深度学习方法进行海洋数据分类和识别的实例层出不穷,Orenstein等(2015)。采用CNN对3.4百万个浮游生物的图像进行了训练和分类,结果表明CNN可以对大量的浮游生物图像进行准确分类,且效率和精度都高于传统的手动筛选方法。Bentes等(2015)则采用深度神经网络对SAR图像数据进行自动分类,省去了大量的人工时间。
由于典型的中尺度涡旋分类识别算法,大都基于物理、几何的方法进行计算,其计算量巨大,且算法效果参差不齐。鉴于深度学习在海洋研究中的广泛应用,可以用于海洋现象的分类识别,且效率可以得到明显提升,因此探索深度学习在中尺度涡分类识别中的相关研究具有重要意义。
发明内容
本发明提出了一种基于深度学习的海洋中尺度涡分类识别方法,该方法提高了涡旋自动分类识别效率,扩展了深度学习在海洋领域的应用。
如上构思,本发明的技术方案是:一种基于深度学习的海洋中尺度涡分类识别方法,其特征在于:包括如下步骤:
1、建立分类模型的训练数据:
①采用经典的基于SLA闭合等值线的中尺度涡识别算法,对全球中尺度涡进行识别,建立多年中尺度涡识别数据集作为真实数据集;
②根据每天识别的中尺度涡所在位置,在全球SLA数据中,按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取;
③将抽取的图像按照时间序列进行分割形成训练数据集、测试数据集和验证数据集,且每一组数据中气旋、反气旋和非气旋所占比例为1:1:1,对气旋、反气旋和非气旋分别进行1、2、3标记,至此建立一套训练数据,命名为SLA分类训练数据;
④将全球SLA数据进行高斯滤波用以去除大尺度海洋特征,然后同样根据涡旋所在位置,按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取,重复上述步骤③建立一套训练数据,命名为SLA-filtered分类训练数据;
2、建立中尺度涡分类模型:
①深度学习网络搭建,采用CAFFE深度学习框架作为中尺度涡分类和识别模型的训练环境,根据框架要求正确组织各数据集的格式,并做好配置文件;
②针对SLA训练数据和SLA-filtered训练数据采用LeNet模型进行模型训练,建立中尺度涡分类模型,命名为CNN-Classification,用于气旋涡、反气旋涡和非涡旋图像的分类;
3、将经过高斯滤波的全球SLA数据进行滑动抽取图像,抽取的图像按照时间序列进行分割,然后对比真实涡旋所在位置,对抽取的图像按照气旋、反气旋、非涡旋进行1、2、3标记,同时对抽取的每幅图像所在SLA数据中的位置进行记录,最终形成识别训练数据集、识别测试数据集和识别验证数据集,至此建立一套识别训练数据,命名为SLA识别训练数据;
4、建立中尺度涡识别模型:
①将步骤3中建立的SLA识别训练数据中的识别训练数据集作为CNN-Classification模型的输入,对数据进行分类;
②运用分类模型针对图像中每个像素为气旋、反气旋和非气旋像素的可能性而给出的概率,分别形成针对气旋涡、反气旋涡和非涡旋的全海域的概率密度图;
③采用高通滤波对三种概率密度图进行滤波处理,将概率为90%以上的像素标记形成标识掩膜,并与真实数据进行比对,对分类错误的数据进行收集,并根据真实数据进行正确标记;
④将SLA识别训练数据的识别训练数据集中正确分类的图像样例和上述③中所收集的错误样例数据,进行整合对CNN-Classification模型中的参数进行调整再训练,得到中尺度涡识别模型,命名为CNN-Detection模型;
⑤运用CNN-Detection模型重复上述②和③即可得到识别涡旋所在位置和精度。
所述步骤1中,真实数据集是基于AVISO提供的全球按天1/4°分辨率的SLA数据,其按照统一的9×9像素大小进行数据抽取,SLA数据中一个值代表实地25km×25km范围,选择该大小进行抽取可以覆盖典型中尺度涡特征;将图像按照时间序列的70%,20%,10%进行分割形成训练数据集、测试数据集和验证数据集。
所述步骤2中采用CAFFE框架、SLA训练数据和SLA-filtered训练数据,针对LeNet模型采用从底层重新训练的策略进行调整训练,设置模型期望输出的种类为3,训练形成中尺度涡高效分类模型。
所述步骤3将经过高斯滤波的全球SLA数据,按照统一的9×9像素大小从左到右,自上而下按照1个像素为单位进行滑动抽取图像,抽取的图像按照时间序列的70%,20%,10%进行分割。
本发明具有如下的优点和积极效果:
1、本发明步骤1首先将基于SLA闭合等值线方法识别出来的全球中尺度涡旋数据为真实数据,从SLA和高斯滤波SLA中分别提取涡旋数据并低损保存为图像数据,进行按时间序列划分为训练数据集、测试数据集和验证数据集,组成分类模型数据用于训练分类模型,充分考虑自然现象中时空关联性,保证验证数据集的独立性。本方法在建立数据集过程中充分考虑大尺度特征对模型分类精度的影响,故分别采取SLA数据和高斯滤波后的SLA数据作为图像抽取对象,验证深度学习可以“学习”到大尺度特征对算法质量的影响。
2、本发明针对LeNet、AlexNet和GoogLeNet采用不同训练策略进行训练形成中尺度涡分类模型。
3、本发明步骤3对高斯滤波的SLA数据按照统一的9×9像素大小从左到右,自上而下按照1个像素为单位进行滑动抽取图像,抽取的图像按照时间序列的70%,20%,10%进行分割,可保证训练样本的丰富度,确保涡旋不漏识。
4、本发明步骤4中尺度涡识别模型建立过程中采用后向处理算法,包括在图像合并、像素剔除过程中获取分类模型的概率密度图进行高斯滤波,概率为90%以上的像素标记形成标识掩膜,并与真实数据进行对比,收集错误识别数据,再训练形成识别模型。这种采用后向处理算法,利用概率密度图进行数据的融合、剔除的方法可达到定位识别涡旋的目的。
附图说明
图1是中尺度涡旋数据的组织、模型构建策略图。
具体实施方式
为了实现对中尺度涡旋的高效分类识别,下面对具体的数据组织、模型构建策略进行详细的说明:
一种基于深度学习的海洋中尺度涡分类识别方法,包括如下步骤:
一、建立分类模型的训练数据
1、采用经典的基于SLA闭合等值线的中尺度涡识别算法,对全球中尺度涡进行识别,建立多年中尺度涡识别数据集;
2、根据每天识别的中尺度涡所在位置,在全球SLA数据中,按照统一的9×9像素大小进行气旋、反气旋和非涡旋数据的抽取,并减少损失存储为图像数据;
3、将抽取的图像按照时间序列的70%,20%,10%进行分割形成训练数据集、测试数据集和验证数据集,且每一组数据中气旋、反气旋和非气旋所占比例为1:1:1,对气旋、反气旋和非气旋,分别进行1、2、3标记,至此建立一套训练数据,命名为SLA训练数据;
4、将全球SLA数据进行高斯滤波用以去除大尺度海洋特征,然后同样根据涡旋所在位置,按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取,重复上述步骤③建立一套训练数据,命名为SLA-filtered训练数据;
二、建立中尺度涡分类模型
1、深度学习网络搭建,采用CAFFE深度学习框架,作为中尺度涡分类和识别模型的训练环境,根据框架要求正确组织各数据集的格式,并做好配置文件;
2、针对SLA训练数据和SLA-filtered训练数据,采用LeNet,AlexNet和GoogLeNet进行三种用于分类识别的模型,进行模型训练。由于三种模型规模不同,针对LeNet模型,采用从底层重新训练的策略。AlexNet和GoogLeNet则采用fine-tuning策略进行调整训练。针对中尺度涡模型期望输出的种类,对三种模型参数进行修改和训练调整。实验结果表明,虽然LeNet结构不如AlexNet和GoogLeNet庞大、复杂,但对两套训练数据的分类结果均表现更为优异,分类精度更高;针对同一训练模型,SLA-filtered训练数据得到的分类精度要高于SLA训练数据;
3、因此,选择SLA-filtered训练数据和LeNet模型,建立中尺度涡分类模型,命名为CNN-Classification,用于气旋涡、反气旋涡和非涡旋图像的分类;
三、建立识别模型的训练数据
将经过高斯滤波的全球SLA数据,按照统一的9×9像素大小从左到右,自上而下按照1个像素为单位进行滑动抽取图像,抽取的图像按照时间序列的70%,20%,10%进行分割,然后对比真实涡旋所在位置,对抽取的图像按照气旋、反气旋、非涡旋进行1、2、3标记,同时对抽取的每幅图像所在SLA数据中的位置进行记录,最终形成识别训练数据集、识别测试数据集和识别验证数据集,至此建立一套识别训练数据,命名为SLA识别训练数据;
四、建立中尺度涡识别模型
1、将步骤三中建立的SLA识别训练数据中的识别训练数据集,作为CNN-Classification模型的输入,对数据进行分类;
2、运用分类模型针对图像中每个像素为气旋、反气旋和非气旋像素的可能性而给出的概率,在对图像分类结果进行合并成全海域图像过程中,由于步骤三按照1个像素进行滑动抽取,同一个涡旋存在重复抽取的情况,因此针对重复抽取像素,取最大概率所属类别作为该像素的分类结果,分别形成针对气旋涡、反气旋涡和非涡旋的全海域的概率密度图;
3、采用高通滤波对三种概率密度图进行滤波处理,将概率为90%以上的像素标记形成标识掩膜,并与真实数据进行比对,对分类错误的数据进行收集,并根据真实数据进行正确标记;
4、将SLA识别训练数据的识别训练数据集中正确分类的图像样例和上述3中所收集的错误样例数据,进行整合对CNN-Classification模型中的参数进行调整再训练,得到中尺度涡识别模型,命名为CNN-Detection模型;
5、运用CNN-Detection模型重复上述2和3即可得到识别涡旋所在位置和精度。
本发明方法突破典型的基于物理方法进行中尺度涡旋分类识别的思维,结合物理海洋、图形图像学和深度学习方法,通过训练和建立分类识别模型,构建基于深度学习的中尺度涡旋分类识别方法,能够实现中尺度涡高效分类识别。本发明能够帮助获得全球中尺度涡旋识别数据集,对扩展机器学习在海洋领域中大数据挖掘应用具有支持作用。
Claims (4)
1.一种基于深度学习的海洋中尺度涡分类识别方法,其特征在于:包括如下步骤:
1、建立分类模型的训练数据:
①采用经典的基于SLA闭合等值线的中尺度涡识别算法,对全球中尺度涡进行识别,建立多年中尺度涡识别数据集作为真实数据集;
②根据每天识别的中尺度涡所在位置,在全球SLA数据中,按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取;
③将抽取的图像按照时间序列进行分割,形成训练数据集、测试数据集和验证数据集,且每一组数据中气旋、反气旋和非气旋所占比例为1:1:1,对气旋、反气旋和非气旋分别进行1、2、3标记,至此建立一套训练数据,命名为SLA分类训练数据;
④将全球SLA数据进行高斯滤波用以去除大尺度海洋特征,然后同样根据涡旋所在位置,按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取,重复上述步骤③建立一套训练数据,命名为SLA-filtered分类训练数据;
2、建立中尺度涡分类模型:
①深度学习网络搭建,采用CAFFE深度学习框架作为中尺度涡分类和识别模型的训练环境,根据框架要求正确组织各数据集的格式,并做好配置文件;
②针对SLA训练数据和SLA-filtered训练数据采用LeNet模型进行模型训练,建立中尺度涡分类模型,命名为CNN-Classification,用于气旋涡、反气旋涡和非涡旋图像的分类;
3、将经过高斯滤波的全球SLA数据进行滑动抽取图像,抽取的图像按照时间序列进行分割,然后对比真实涡旋所在位置,对抽取的图像按照气旋、反气旋、非涡旋进行1、2、3标记,同时对抽取的每幅图像所在SLA数据中的位置进行记录,最终形成识别训练数据集、识别测试数据集和识别验证数据集,至此建立一套识别训练数据,命名为SLA识别训练数据;
4、建立中尺度涡识别模型:
①将步骤3中建立的SLA识别训练数据中的识别训练数据集作为CNN-Classification模型的输入,对数据进行分类;
②运用分类模型针对图像中每个像素为气旋、反气旋和非气旋像素的可能性而给出的概率,分别形成针对气旋涡、反气旋涡和非涡旋的全海域的概率密度图;
③采用高通滤波对三种概率密度图进行滤波处理,将概率为90%以上的像素标记形成标识掩膜,并与真实数据进行比对,对分类错误的数据进行收集,并根据真实数据进行正确标记;
④将SLA识别训练数据的识别训练数据集中正确分类的图像样例和上述③中所收集的错误样例数据,进行整合对CNN-Classification模型中的参数进行调整再训练,得到中尺度涡识别模型,命名为CNN-Detection模型;
⑤运用CNN-Detection模型重复上述②和③即可得到识别涡旋所在位置和精度。
2.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法,其特征在于:所述步骤1中,真实数据集是基于AVISO提供的全球按天1/4°分辨率的SLA数据,其按照统一的9×9像素大小进行数据抽取,SLA数据中一个值代表实地25km×25km范围,选择该大小进行抽取可以覆盖典型中尺度涡特征;将图像按照时间序列的70%,20%,10%进行分割形成训练数据集、测试数据集和验证数据集。
3.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法,其特征在于:所述步骤2中采用CAFFE框架、SLA训练数据和SLA-filtered训练数据,针对LeNet模型采用从底层重新训练的策略进行调整训练,设置模型期望输出的种类为3,训练形成中尺度涡高效分类模型。
4.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法,其特征在于:所述步骤3将经过高斯滤波的全球SLA数据,按照统一的9×9像素大小从左到右,自上而下按照1个像素为单位进行滑动抽取图像,抽取的图像按照时间序列的70%,20%,10%进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216478.0A CN110097075B (zh) | 2019-03-21 | 2019-03-21 | 基于深度学习的海洋中尺度涡分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216478.0A CN110097075B (zh) | 2019-03-21 | 2019-03-21 | 基于深度学习的海洋中尺度涡分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097075A CN110097075A (zh) | 2019-08-06 |
CN110097075B true CN110097075B (zh) | 2023-04-18 |
Family
ID=67443260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910216478.0A Active CN110097075B (zh) | 2019-03-21 | 2019-03-21 | 基于深度学习的海洋中尺度涡分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097075B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469205B (zh) * | 2020-03-31 | 2023-01-17 | 阿里巴巴集团控股有限公司 | 数据处理方法及系统、网络模型及其训练方法、电子设备 |
CN111651930B (zh) * | 2020-05-07 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于极限学习机的流场涡区域检测方法 |
CN111695299B (zh) * | 2020-06-04 | 2022-12-13 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
CN111767827A (zh) * | 2020-06-28 | 2020-10-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的中尺度涡旋识别方法 |
CN112102325B (zh) * | 2020-09-17 | 2021-11-09 | 中国科学院海洋研究所 | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 |
CN112396586A (zh) * | 2020-11-19 | 2021-02-23 | 中国石油大学(华东) | 基于卷积神经网络的海洋涡旋图像自动检测系统、计算机设备、存储介质 |
CN112488011B (zh) * | 2020-12-04 | 2024-05-17 | 黄冈师范学院 | 一种模块化多电平换流器故障分类方法 |
CN113312830B (zh) * | 2021-01-20 | 2022-02-25 | 广州海洋地质调查局 | 基于深度学习获得海洋中尺度涡波阻抗方法及处理终端 |
CN113420440B (zh) * | 2021-06-22 | 2022-06-24 | 中国海洋大学 | 一种基于海洋垂直结构的涡旋识别方法 |
CN113392961B (zh) * | 2021-08-17 | 2021-11-09 | 中国海洋大学 | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 |
CN114299377B (zh) * | 2021-12-31 | 2024-03-22 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
CN114494811B (zh) * | 2022-02-07 | 2023-03-24 | 国家海洋环境预报中心 | 一种卫星沿轨海平面高度异常数据融合方法及系统 |
CN115690602A (zh) * | 2022-11-04 | 2023-02-03 | 中国人民解放军91001部队 | 一种中尺度涡识别方法及系统 |
CN117935023B (zh) * | 2024-03-22 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于注意力机制的中尺度涡识别和特征分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787284A (zh) * | 2016-03-29 | 2016-07-20 | 中国海洋大学 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
CN107330440A (zh) * | 2017-05-17 | 2017-11-07 | 天津大学 | 基于图像识别的海洋状态计算方法 |
CN107784667A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于并行的全球海洋中尺度涡快速识别算法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
CN108647392A (zh) * | 2018-04-11 | 2018-10-12 | 中国海洋大学 | 海洋中尺度涡旋偶极子自动识别方法 |
CA3064593A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994757B (zh) * | 2014-06-09 | 2015-04-08 | 中国海洋大学 | 一种往复式海洋微结构剖面仪 |
-
2019
- 2019-03-21 CN CN201910216478.0A patent/CN110097075B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787284A (zh) * | 2016-03-29 | 2016-07-20 | 中国海洋大学 | 基于混合算法的长时间序列中尺度涡旋追踪方法 |
CN107784667A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 基于并行的全球海洋中尺度涡快速识别算法 |
CN107330440A (zh) * | 2017-05-17 | 2017-11-07 | 天津大学 | 基于图像识别的海洋状态计算方法 |
CA3064593A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
CN108647392A (zh) * | 2018-04-11 | 2018-10-12 | 中国海洋大学 | 海洋中尺度涡旋偶极子自动识别方法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
Non-Patent Citations (4)
Title |
---|
Miao Sun.An Improved Automatic Algorithm for Global Eddy Tracking Using Satellite Altimeter Data.《remote sensing》.2017,全文. * |
Yingjie LIU.A Parallel SLA-Based Algorithm for Global Mesoscale Eddy Identification.《JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY》.2016,全文. * |
孙苗等.深度学习在海洋大数据挖掘中的应用.《科技导报》.2018,全文. * |
崔伟等.基于1003-2014年高度计数据的西北太平洋中尺度涡识别和特征分析.《海洋学报》.2017,第第39卷卷(第第39卷期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110097075A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097075B (zh) | 基于深度学习的海洋中尺度涡分类识别方法 | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN114241285B (zh) | 一种基于知识蒸馏和半监督学习的船舶快速检测方法 | |
CN110059694A (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
CN113313166B (zh) | 基于特征一致性学习的船舶目标自动标注方法 | |
CN114998603B (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN108805102A (zh) | 一种基于深度学习的视频字幕检测与识别方法及系统 | |
CN113378736B (zh) | 基于变换一致性正则化的遥感影像半监督语义分割方法 | |
CN109492570A (zh) | 一种基于多尺度稀疏表示的sar图像目标识别方法 | |
CN114463643A (zh) | 多模型决策级融合的滑坡识别方法及装置 | |
CN109815973A (zh) | 一种适用于鱼类细粒度识别的深度学习方法 | |
CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
Wang et al. | Sddet: An enhanced encoder–decoder network with hierarchical supervision for surface defect detection | |
CN113537173B (zh) | 一种基于面部补丁映射的人脸图像真伪识别方法 | |
CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
CN114187506A (zh) | 视点意识的动态路由胶囊网络的遥感图像场景分类方法 | |
CN109389101A (zh) | 一种基于去噪自编码网络的sar图像目标识别方法 | |
CN109344309A (zh) | 基于卷积神经网络堆叠泛化的文档图像分类方法和系统 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN114898290A (zh) | 一种海上船舶实时检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |