CN110851627A - 一种用于描述全日面图像中太阳黑子群的方法 - Google Patents

一种用于描述全日面图像中太阳黑子群的方法 Download PDF

Info

Publication number
CN110851627A
CN110851627A CN201910903988.5A CN201910903988A CN110851627A CN 110851627 A CN110851627 A CN 110851627A CN 201910903988 A CN201910903988 A CN 201910903988A CN 110851627 A CN110851627 A CN 110851627A
Authority
CN
China
Prior art keywords
black
image
subgroup
sun
network
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.)
Granted
Application number
CN201910903988.5A
Other languages
English (en)
Other versions
CN110851627B (zh
Inventor
杨云飞
刘海燕
朱健
李小洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201910903988.5A priority Critical patent/CN110851627B/zh
Publication of CN110851627A publication Critical patent/CN110851627A/zh
Application granted granted Critical
Publication of CN110851627B publication Critical patent/CN110851627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于描述全日面图像中太阳黑子群的方法，属于计算机视觉和自然语言处理领域。本发明通过制作一个太阳黑子群图像和描述文本的数据集，先将原始图像送入改进的VGG‑16网络生成特征图，再将输出的特征图送入定位层，通过改进的Inception‑RPN生成候选区域，最终处理成固定大小的区域特征，这些区域特征经过识别网络后，被处理成一维大小的可供LSTM处理的向量，最终生成描述语句；相比传统的方法，本发明能获得更加精确的候选区域，从而提高了整个网络的描述质量。

Description

一种用于描述全日面图像中太阳黑子群的方法
技术领域
本发明涉及一种用于描述全日面图像中太阳黑子群的方法，属于计算机视觉和自然语言处理领域。
背景技术
太阳表面的黑子群形态丰富，而不同形态的黑子群与太阳活动有着紧密的联系，因此准确地检测和描述全日面图像中的黑子群可以为监控和预测太阳活动提供依据。
图像描述即根据给出的图片自动生成一段描述性文字，它是对图像中各组成部分的性质和彼此之间关系的描述。现有的方法主要分为以下三大类：基于模板的方法，该方法简单直观，但是由于受到固定句子模板的限制，生成的描述句子结构往往比较单一死板，表达方式缺乏灵活性和多样性。基于检索的方法，该方法在生成描述句子时严重依赖于检索数据集中的图像检索结果，尤其是当数据集中缺少与待描述图像类似的图像时，生成的描述句子将与待描述图像的内容存在较大的偏差，出现“图文不符”的现象。基于深度神经网络的方法，该类方法的优势是直接从大量的训练数据中学习图像到描述语句的映射，实现端到端的训练，并能产生更精确的图像描述，现有的图像描述生成算法大都采用编码器-解码器模型，对整个图像描述生成过程进行建模，在性能上远远优于传统方法。目前，图像描述技术一般应用于一些日常的图像场景中，但关于太阳黑子群描述方面的研究仍未涉及。
发明内容
本发明提供了一种用于描述全日面图像中太阳黑子群的方法，以用于通过该方法有效地实现全日面图像进行描述。
本发明的技术方案是：一种用于描述全日面图像中太阳黑子群的方法，所述步骤如下：
步骤1：黑子群图像数据集：将全日面黑子群图像转换为VGG-16网络可识别的图像格式；将转换后的图像根据苏黎世分类法使用图像标注工具制作黑子群图像数据集；
步骤2：黑子群描述文本数据集：对通过步骤1得到的已分类的黑子群图像数据集中的每张黑子群图像手动加入其对应的特征描述；特征描述以每张黑子群图像中每个黑子群作为对象进行描述，具体描述内容至少包括：对应黑子群所属类、所属极性；还可以包括：对应黑子群中黑子特征、对应黑子群特征的描述；
步骤3：提取特征图：将黑子群图像数据集输入至改进的VGG-16网络，提取特征图；其中改进的VGG-16为将原VGG-16网络中的全连接层和最后一个池化层去掉后形成的网络；
步骤4：获得候选区域：将特征图使用改进的Inception-RPN网络获得候选区域；其中，改进的Inception-RPN网络在原Inception-RPN网络基础上添加了并列的1×1卷积层；
步骤5：微调候选区域：对经过改进的Inception-RPN网络获得的候选区域采用边界回归方法对候选区域边框进行微调，得到包含目标的微调候选区域；
步骤6：选择B个感兴趣候选区域：根据微调后的候选区域的置信分数，采用非极大抑制方法选取B个置信分数最高的候选区域；
步骤7：将感兴趣候选区域提取成固定大小的向量：对特征图进行双线性插值，结合B个置信分数最高的候选区域，得到B个固定大小的区域特征；
步骤8：转换成一维向量：将固定大小的区域特征经过由两个全连接层组成的识别网络，并使用ReLU激活函数和Dropout优化原则，最终得到长度为D的一维向量；
步骤9：生成语言序列：依次将长度为D的一维向量进行编码、添加开始标志、将与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集也进行编码，形成长度为T+2的单词向量序列；将单词向量序列传入到LSTM模块中，根据pt概率大小降序排序，输出对应单词序列，直到对应的单词是END标识符，则句子生成结束；其中，t＝1,2,...,T+2；T表示与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集中单词的个数，pt为第t个单词在整个单词表中的分布率。
所述步骤1具体为：将HMI格式的全日面黑子群图转换成JPG/PNG格式，再根据苏黎世分类法使用labelimg工具制作黑子群图像数据集。
本发明的有益效果是：本发明通过制作一个太阳黑子群图像和描述文本的数据集，先将原始图像送入改进的VGG-16网络生成特征图，再将输出的特征图送入定位层，通过改进的Inception-RPN生成候选区域，最终处理成固定大小的区域特征，这些区域特征经过识别网络后，被处理成一维大小的可供LSTM处理的向量，最终生成描述语句；相比传统的方法，本发明能获得更加精确的候选区域，从而提高了整个网络的描述质量。
附图说明
图1是本发明用于描述全日面图像中太阳黑子群的方法的总体流程图；
图2是本发明中采用SDO卫星上HMI观测设备于2015年8月13日采集到的全日面像；
图3是本发明中对图2经FCLN模型的描述图像；
图4是本发明中对图2经Inception区域候选定位网络后的描述图像。
具体实施方式
实施例1：如图1-4所示，一种用于描述全日面图像中太阳黑子群的方法，所述步骤如下：
步骤1：黑子群图像数据集：将全日面黑子群图像转换为VGG-16网络可识别的图像格式；将转换后的图像根据苏黎世分类法使用图像标注工具制作黑子群图像数据集；
具体的，将HMI格式的全日面黑子群图转换成JPG/PNG格式，再根据苏黎世分类法使用labelimg工具制作黑子群图像数据集。
步骤2：黑子群描述文本数据集：对通过步骤1得到的已分类的黑子群图像数据集中的每张黑子群图像手动加入其对应的特征描述；特征描述以每张黑子群图像中每个黑子群作为对象进行描述，具体描述内容至少包括：对应黑子群所属类、所属极性；还可以包括：对应黑子群中黑子特征、对应黑子群特征的描述；
步骤3：提取特征图：将黑子群图像数据集输入至改进的VGG-16网络，提取特征图；其中改进的VGG-16为将原VGG-16网络中的全连接层和最后一个池化层去掉后形成的网络；
步骤4：获得候选区域：将特征图使用改进的Inception-RPN网络获得候选区域；其中，改进的Inception-RPN网络在原Inception-RPN网络基础上添加了并列的1×1卷积层；
步骤5：微调候选区域：对经过改进的Inception-RPN网络获得的候选区域采用边界回归方法对候选区域边框进行微调，得到包含目标的微调候选区域；
具体地，一个锚盒中心坐标为(xa,ya)，宽wa，高ha，利用线性回归得到关于边框的四个位移参数(tx,ty,tw,th)，然后通过如下公式对候选区域的中心点(x,y)和尺寸(w,h)进行更新。
x＝xa+txwa y＝ya+tyha
w＝wa exp(tw)h＝ha exp(hw)
步骤6：选择B个感兴趣候选区域：根据微调后的候选区域的置信分数，采用非极大抑制方法选取B个置信分数最高的候选区域；
步骤7：将感兴趣候选区域提取成固定大小的向量：对特征图进行双线性插值，结合B个置信分数最高的候选区域，得到B个固定大小的区域特征；
具体地，就是对于任意的特征图谱U(C×W'×H')和候选区域，要将其放缩成大小为(C×X×Y)的特征图谱V，放缩过程按照如下步骤进行：
首先，计算V到U的反向投影坐标值，例如对特征图谱V中的任意一点坐标投影到U中的坐标值为如下公式。
Figure BDA0002212711130000041
在进行计算时，这里xi,j和yi,j的值均为浮点数，然而图像的像素坐标在计算机中必须为整数，所以这里坐标(xi.j,yi,j)对应的像素点是虚拟像素点，并不是U中实际存在的点。
然后，按照双线性插值法，得到U中坐标点的像素值，该像素值就是V中对应点的像素值Vc,i,j，计算公式如下所示。
Figure BDA0002212711130000042
最后，利用上面的方法，计算V中所有像素点的坐标值，得到C×X×Y的特征图。
步骤8：转换成一维向量：将固定大小的区域特征经过由两个全连接层组成的识别网络，并使用ReLU激活函数和Dropout优化原则，最终得到长度为D的一维向量；
步骤9：生成语言序列：依次将长度为D的一维向量进行编码、添加开始标志、将与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集也进行编码，形成长度为T+2的单词向量序列；将单词向量序列传入到LSTM模块中，根据pt概率大小降序排序，输出对应单词序列，直到对应的单词是END标识符，则句子生成结束；其中，t＝1,2,...,T+2；T表示与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集中单词的个数，pt为第t个单词在整个单词表中的分布率。
具体地，将识别网络的输出结果进行编码(每一个候选区域到对应一个编码)，记为x-1＝CNN(I)，然后将该区域对应的真实描述s1,...,sT也进行编码，记为x1,...,xT，这里xi就是对应的si的向量编码。从而得到了长度为T+2的单词向量序列x-1,x0,x1,...,xT，其中x-1代表这候选区域的图像信息，x0是特殊的开始标志，x1,...,xT代表每一个单词的向量编码，将这T+2长度的向量序列传到LSTM中。
x-1＝CNN(I)
xt＝WeSt,t∈{0...N-1}
pt+1＝LSTM(xt),t∈{0...N-1}
式中，x-1代表CNN生成的D维图像特征向量，并且它将作为整个LSTM语言模型的初始输入，St代表LSTM模型生成的一个个单词，其中S0是一个特殊的开始标志，pt+1代表第t+1个单词在整个单词表中的分布率，它是p(St+1|I,S0,...,St)的简写形式。之后，根据pt概率大小降序排序，输出对应单词序列，直到对应的单词是END标识符，则句子生成结束；
具体地，给出如下实验数据：
该数据集是由美国的太阳动力学天文台(Solar Dynamics Observatory,SDO)的日震和磁成像仪(Helioseismic and Magnetic Imager,HMI)提供的连续光谱全日面图像。我们从2011年1月份到2017年4月份，共选取了3500张HMI图作为本发明的图像数据集。数据集的制作步骤如下：
(1)将太阳黑子群根据苏黎世分类法进行分类
太阳黑子群的分类标准有多种，本发明选择苏黎世分类法来对其进行描述，根据黑子群诞生以后的发展形态，将黑子群按大小和复杂程度分为以下九类：
A：无半影的小黑子，或未显示双极结构的小黑子群
B：无半影的双极群
C：双极群，其中一个黑子有半影
D：双极群，两个主要黑子都有半影，至少有一个黑子为简单结构，日面经度延伸小于10°
E：大双极群，结构复杂，两个主要黑子均有半影，它们之间还有些小黑子，日面经度延伸大于10°-15°
F：非常大而复杂的双极群，日面经度延伸大于15°
G：大双极群，只有几个大黑子，无小黑子，日面经度延伸大于10°
H：有半影的单极群，直径大于2.5°
J：有半影的单极群，直径小于2.5°
(2)对分类后的黑子群添加描述
一幅全日面图像中包含多个黑子群，我们根据上述步骤分类后，手动加入黑子群的详细特征，如：对应黑子群所属类、所属极性；还可以包括：对应黑子群中黑子特征、对应黑子群特征的描述；
最终，该数据集包含了3500张图像和15314个描述片段，其中3260张作为训练图像，120张作为验证图像，120张作为测试图像。数据集的信息如表1所示。
表1太阳黑子群数据集的详细信息
Figure BDA0002212711130000061
(3)实验环境
实验程序用lua语言编写，并使用torch7框架实现图像描述算法。计算机配置如下：操作系统为Ubuntu 16.04，8G内存的i3-4150CPU，8G显存的Nvidia GTX-1070TiGPU。
(4)评价指标
在图像描述任务中，模型接收单张图像并生成一组区域，每个区域都带有置信度和描述。为了评估模型的性能，我们使用与Johnson等人相同的评价指标mAP(mean AveragePrecision)，该值联合测量定位和描述精度。通过计算不同的IOU定位阈值和不同的Meteor语言相似性阈值的平均精度，然后对两者取平均得到mAP的值。对于定位，IOU的阈值分别取0.3、0.4、0.5、0.6、0.7；对于语言相似性，Meteor的阈值取0、0.05、0.1、0.15、0.2、0.25。
(5)实验结果
为了验证本发明提出方法的有效性，我们以原始的FCLN模型作为比较对象，并在太阳黑子群数据集上对比了这两个模型的性能。
图3、图4是在太阳黑子群数据集上的实验结果。图3展示了FCLN模型的测试结果，可以看出该模型漏掉了一个较小的黑子群。图4是本发明模型的测试结果，该模型不仅可以识别较大的物体，在识别小物体的能力上也有所提高，从而降低了漏识率。
将IRLN模型与Johnson等人提出的FCLN模型在两个不同的数据集上进行性能对比，具体结果如表2所示。
表2模型性能对比
Figure BDA0002212711130000071
由表2可以看出，在太阳黑子群数据集上，本发明比Johnson等人的方法在mAP(平均精度均值)上提高了16％。在黑子群数据集上，所有图像大小都是4096×4096，较小的特征也能被提取，通过改进后的多尺寸感受野的方法获得更加精确的候选区域，从而提高了整个网络的描述质量。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (2)

1.一种用于描述全日面图像中太阳黑子群的方法，其特征在于：所述步骤如下：
步骤1：黑子群图像数据集：将全日面黑子群图像转换为VGG-16网络可识别的图像格式；将转换后的图像根据苏黎世分类法使用图像标注工具制作黑子群图像数据集；
步骤2：黑子群描述文本数据集：对通过步骤1得到的已分类的黑子群图像数据集中的每张黑子群图像手动加入其对应的特征描述；特征描述以每张黑子群图像中每个黑子群作为对象进行描述，具体描述内容至少包括：对应黑子群所属类、所属极性；还可以包括：对应黑子群中黑子特征、对应黑子群特征的描述；
步骤3：提取特征图：将黑子群图像数据集输入至改进的VGG-16网络，提取特征图；其中改进的VGG-16为将原VGG-16网络中的全连接层和最后一个池化层去掉后形成的网络；
步骤4：获得候选区域：将特征图使用改进的Inception-RPN网络获得候选区域；其中，改进的Inception-RPN网络在原Inception-RPN网络基础上添加了并列的1×1卷积层；
步骤5：微调候选区域：对经过改进的Inception-RPN网络获得的候选区域采用边界回归方法对候选区域边框进行微调，得到包含目标的微调候选区域；
步骤6：选择B个感兴趣候选区域：根据微调后的候选区域的置信分数，采用非极大抑制方法选取B个置信分数最高的候选区域；
步骤7：将感兴趣候选区域提取成固定大小的向量：对特征图进行双线性插值，结合B个置信分数最高的候选区域，得到B个固定大小的区域特征；
步骤8：转换成一维向量：将固定大小的区域特征经过由两个全连接层组成的识别网络，并使用ReLU激活函数和Dropout优化原则，最终得到长度为D的一维向量；
步骤9：生成语言序列：依次将长度为D的一维向量进行编码、添加开始标志、将与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集也进行编码，形成长度为T+2的单词向量序列；将单词向量序列传入到LSTM模块中，根据pt概率大小降序排序，输出对应单词序列，直到对应的单词是END标识符，则句子生成结束；其中，t＝1,2,...,T+2；T表示与长度为D的一维向量的黑子群匹配的黑子群描述文本数据集中单词的个数，pt为第t个单词在整个单词表中的分布率。
2.根据权利要求1所述的用于描述全日面图像中太阳黑子群的方法，其特征在于：所述步骤1具体为：将HMI格式的全日面黑子群图转换成JPG/PNG格式，再根据苏黎世分类法使用labelimg工具制作黑子群图像数据集。
CN201910903988.5A 2019-09-24 2019-09-24 一种用于描述全日面图像中太阳黑子群的方法 Active CN110851627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910903988.5A CN110851627B (zh) 2019-09-24 2019-09-24 一种用于描述全日面图像中太阳黑子群的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910903988.5A CN110851627B (zh) 2019-09-24 2019-09-24 一种用于描述全日面图像中太阳黑子群的方法

Publications (2)

Publication Number Publication Date
CN110851627A true CN110851627A (zh) 2020-02-28
CN110851627B CN110851627B (zh) 2022-06-07

Family

ID=69596161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910903988.5A Active CN110851627B (zh) 2019-09-24 2019-09-24 一种用于描述全日面图像中太阳黑子群的方法

Country Status (1)

Country Link
CN (1) CN110851627B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949701A (zh) * 2021-02-22 2021-06-11 北京航空航天大学 一种基于深度学习的太阳黑子群分类的方法
CN113052202A (zh) * 2021-01-29 2021-06-29 昆明理工大学 一种用于分类全日面图像中太阳黑子群的方法
CN113792175A (zh) * 2021-08-23 2021-12-14 西南科技大学 一种基于细粒度特征提取的图像理解方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101075224A (zh) * 2006-05-16 2007-11-21 中国科学院研究生院 基于粒子滤波技术的太阳黑子动态模型及跟踪预测方法
CN104615990A (zh) * 2015-02-10 2015-05-13 中国科学院国家天文台 一种基于怀柔全日面单色像的太阳黑子自动识别方法
KR101558821B1 (ko) * 2014-12-12 2015-10-20 경희대학교 산학협력단 헤일로 cme 발생 확률 예측 시스템 및 그 동작 방법
KR101575834B1 (ko) * 2015-10-06 2015-12-09 대한민국(국립전파연구원 우주전파센터장) 태양 흑점군 추적 장치 및 그 방법
CN107886098A (zh) * 2017-10-25 2018-04-06 昆明理工大学 一种基于深度学习的识别太阳黑子的方法
CN108009471A (zh) * 2017-10-25 2018-05-08 昆明理工大学 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法
US20180268285A1 (en) * 2017-03-20 2018-09-20 International Business Machines Corporation Neural network cooperation
CN108804388A (zh) * 2018-05-18 2018-11-13 昆明理工大学 一种基于eemd的hht的太阳黑子面积周期特征分析的方法
CN108983321A (zh) * 2018-05-25 2018-12-11 昆明理工大学 一种基于同步压缩小波变换的提取太阳黑子数和地磁Ap指数的周期分量的方法
CN109885796A (zh) * 2019-01-25 2019-06-14 内蒙古工业大学 一种基于深度学习的网络新闻配图匹配性检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101075224A (zh) * 2006-05-16 2007-11-21 中国科学院研究生院 基于粒子滤波技术的太阳黑子动态模型及跟踪预测方法
KR101558821B1 (ko) * 2014-12-12 2015-10-20 경희대학교 산학협력단 헤일로 cme 발생 확률 예측 시스템 및 그 동작 방법
CN104615990A (zh) * 2015-02-10 2015-05-13 中国科学院国家天文台 一种基于怀柔全日面单色像的太阳黑子自动识别方法
KR101575834B1 (ko) * 2015-10-06 2015-12-09 대한민국(국립전파연구원 우주전파센터장) 태양 흑점군 추적 장치 및 그 방법
US20180268285A1 (en) * 2017-03-20 2018-09-20 International Business Machines Corporation Neural network cooperation
CN107886098A (zh) * 2017-10-25 2018-04-06 昆明理工大学 一种基于深度学习的识别太阳黑子的方法
CN108009471A (zh) * 2017-10-25 2018-05-08 昆明理工大学 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法
CN108804388A (zh) * 2018-05-18 2018-11-13 昆明理工大学 一种基于eemd的hht的太阳黑子面积周期特征分析的方法
CN108983321A (zh) * 2018-05-25 2018-12-11 昆明理工大学 一种基于同步压缩小波变换的提取太阳黑子数和地磁Ap指数的周期分量的方法
CN109885796A (zh) * 2019-01-25 2019-06-14 内蒙古工业大学 一种基于深度学习的网络新闻配图匹配性检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ZEYDIN PALA 等: "Forecasting Sunspot Time Series Using Deep Learning Methods", 《SOLAR PHYSICS》 *
ZEYDIN PALA 等: "Forecasting Sunspot Time Series Using Deep Learning Methods", 《SOLAR PHYSICS》, vol. 294, no. 5, 2 May 2019 (2019-05-02), pages 1 - 14, XP036806469, DOI: 10.1007/s11207-019-1434-6 *
付小娜 等: "基于 LeNet-5 卷积神经网络的太阳黑子检测方法", 《天文研究与技术》 *
付小娜 等: "基于 LeNet-5 卷积神经网络的太阳黑子检测方法", 《天文研究与技术》, vol. 15, no. 3, 27 April 2018 (2018-04-27), pages 340 - 346 *
陈泰禾 等: "基于时序物理量的太阳耀斑预报模型研究", 《第35届中国气象学会年会》 *
陈泰禾 等: "基于时序物理量的太阳耀斑预报模型研究", 《第35届中国气象学会年会》, 24 October 2018 (2018-10-24), pages 9 - 15 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052202A (zh) * 2021-01-29 2021-06-29 昆明理工大学 一种用于分类全日面图像中太阳黑子群的方法
CN112949701A (zh) * 2021-02-22 2021-06-11 北京航空航天大学 一种基于深度学习的太阳黑子群分类的方法
CN113792175A (zh) * 2021-08-23 2021-12-14 西南科技大学 一种基于细粒度特征提取的图像理解方法

Also Published As

Publication number Publication date
CN110851627B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN110851627B (zh) 一种用于描述全日面图像中太阳黑子群的方法
CN107784288B (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN112418074A (zh) 一种基于自注意力的耦合姿态人脸识别方法
CN111738355B (zh) 注意力融合互信息的图像分类方法、装置及存储介质
Ju et al. Fusing global and local features for generalized ai-synthesized image detection
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
CN113421318B (zh) 一种基于多任务生成对抗网络的字体风格迁移方法和系统
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及系统
CN110728307A (zh) 自生成数据集与标签实现x光影像图小样本字符识别方法
CN113032613B (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN114241422A (zh) 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法
CN108537109B (zh) 基于OpenPose的单目相机手语识别方法
CN113762269A (zh) 基于神经网络的中文字符ocr识别方法、系统、介质及应用
CN110263855A (zh) 一种利用共基胶囊投影进行图像分类的方法
CN109815889A (zh) 一种基于特征表示集的跨分辨率人脸识别方法
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
CN109409415A (zh) 一种基于全局信息保持的lle算法
CN115908697A (zh) 基于点云概率分布学习的生成模型及其方法
CN104537377A (zh) 一种基于二维核熵成分分析的图像数据降维方法
Meng et al. Sample-aware data augmentor for scene text recognition
Cao et al. Understanding 3D point cloud deep neural networks by visualization techniques
CN116740688B (zh) 一种药品识别方法和系统
CN112132835A (zh) 基于SeFa和人工智能的光伏轨道相机果冻效应分析方法
CN111461130A (zh) 一种高精度图像语义分割算法模型及分割方法

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