CN112907475B - 一种冰晶图片的自动分割方法 - Google Patents
一种冰晶图片的自动分割方法 Download PDFInfo
- Publication number
- CN112907475B CN112907475B CN202110227920.7A CN202110227920A CN112907475B CN 112907475 B CN112907475 B CN 112907475B CN 202110227920 A CN202110227920 A CN 202110227920A CN 112907475 B CN112907475 B CN 112907475B
- Authority
- CN
- China
- Prior art keywords
- ice crystal
- segmentation
- data
- pictures
- models
- 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
- 239000013078 crystal Substances 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000013526 transfer learning Methods 0.000 claims abstract description 3
- 238000012795 verification Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008276 ice cloud Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于大气监测技术领域，具体为一种冰晶图片的自动分割方法。本发明方法包括：将原始数据集中的小样本类数据进行数据增强处理，使得冰晶数据集整体类别较为平衡；对所有冰晶图片进行标注；把分好的训练集放入预训练的深度学习模型中进行参数调整，得到最佳权重；用迁移学习得到的新模型在测试集上进行冰晶分割，查看分割效果。训练过程中使用四种主流的语义分割模型，且通过对预训练的四种模型进行参数的调整将其迁移到本发明关注的冰晶分割实例，保存最佳权重得到新模型，之后使用新模型对冰晶图片进行自动分割。本发明能够有效地分割CPI采集到的不同分辨率、不同形状的冰晶图片，实现批量化自动分割。
Description
技术领域
本发明属于大气监测技术领域，具体涉及一种冰晶图片的自动分割方法。
背景技术
冰云是几乎完全或完全由冰晶所组成的云，对全球辐射平衡和气候变化有重要的影响。冰晶的辐射和微物理特性受其形状、大小影响，冰晶的形状和大小又往往因温度、湿度、海拔高度、云类型、对流强度或天气条件的不同而有很大差异，所以冰晶的研究对降水和全球辐射平衡等就有着重大意义。
现实世界的冰云通常为大量复杂不规则晶体的混合物，目前主要使用云粒子成像仪(CPI)来对冰晶粒子进行观测，以此得到冰晶粒子图片，但是采集到的图片像素低且冰晶和背景颜色相似，人工去分割这些数以万计的冰晶图片是非常费时费力的。
语义分割是在像素级别上的分类，属于同一类的像素都被归为一类。在深度学习方法流行之前，TextonForest和基于随机森林分类器等语义分割方法是用得比较多的方法，但效果均不佳。最初应用于图像分割的深度学习方法是Patch classification，即将图像切块放入深度模型，然后对像素进行分类。2014年，全卷积网络(FCN)横空出世，FCN将网络全连接层用卷积取代，因此使任意图像大小的输入都变成可能，而且速度比Patchclassification方法快很多。之后又提出了encoder-decoder架构，encoder由于pooling逐渐减少空间维度，而decoder逐渐恢复空间维度和细节信息，其中U-net就是这种架构很流行的一种。在此基础上提出的空洞卷积架构代替了pooling，一方面它可以保持空间分辨率，另外一方面它由于可以扩大感受野因而可以很好地整合上下文信息，其中Deeplab系列模型是典型。
根据调查文献显示，目前并没有一个有效的方法能够实现冰晶的自动分割任务，所以本发明引入语义分割的概念，创新提出了基于深度迁移学习的冰晶自动分割方法。
发明内容
本发明的目的，在于提供一种冰晶图片的自动分割方法，其可免去人工去分割冰晶图片的重复性无创造性劳动，使得对冰晶后续的测量、辐射特性等研究更加方便。
本发明提供的冰晶图片的自动分割方法，具体步骤如下：
步骤1，将原始数据集中的小样本类(如Ser、Hoc)数据进行数据增强处理，使得冰晶数据集整体类别较为平衡；
步骤2，对所有冰晶图片进行标注；
步骤3，拿分好的训练集放入预训练的深度学习模型中进行参数调整，得到最佳权重；
步骤4，用迁移学习得到的新模型在测试集上进行冰晶分割，查看分割效果，实现冰晶图片的自动分割。
本发明步骤1中所述进行数据增强处理，具体为：
步骤11，采用最简单的几何变换方法，包括翻转、旋转、缩放；
步骤12，采用颜色扰动的数据增强，即在某一个颜色空间通过增加或减少某些颜色分量，或者更改颜色通道的顺序，包括增强对比度、增强亮度、增强饱和度、随机颜色法；
步骤13，采用基于噪声的数据增强方法，包括高斯噪声、椒盐噪声、均值滤波和中值滤波后的高斯噪声处理；对于高斯噪声：设定参数后产生一个高斯随机数，根据输入像素计算出输出像素，重新将像素值限制或放缩在[0～255]之间，循环所有像素，最后输出图像。
本发明步骤2中所述对所有冰晶图片进行标注，具体为：
步骤21，使用Labelme数据标注工具进行标签注释，将背景设为RGB[0,0,0]，冰晶实体设为RGB[1,1,1]；
步骤22，编写python脚本，批量化将已标注的数据集分成原始图片和标注图片两个文件夹。
本发明步骤3中所述进行参数调整，具体为：
步骤31，选择在语义分割任务中表现较好的四种深度学习模型SegNet、PspNet、U-net和DeeplabV3+(参见文献1-4)，使用轻量且高效的MobileV2网络作为特征提取器，搭建冰晶分割的网络模型；
步骤32，将冰晶分割数据集分为训练集和测试集两部分，训练集放入构建好的四个网络模型中进行训练，同时将10％作为验证集，基于迁移学习的方法定义原始权重，之后再通过验证集交叉熵值选择最佳权重并保存。
本发明步骤4中所述测试集上进行冰晶分割，具体为：
步骤41，利用训练出来的最佳权重对测试集进行预测；
步骤42，计算语义分割结果评估指标PA、MPA、MIoU、FWIoU、F1score，评估冰晶分割结果。
各评估指标定义如下：
PA(Pixel Accuracy)：分类正确的像素点数和所有的像素点数的比例。其中Pii表示属于第i类且被预测为第i类的像素点数(本发明中背景为第0类，冰晶实体为第1类)，预测正确的像素点数；Pij表示属于第i类被预测为第j类的像素点数，则
表示了所有的像素点数，下面公式中的各字母解释相同；
MPA(Mean Pixel Accuracy)：计算每一类分类正确的像素点数和该类的所有像素点数的比例然后求平均；
MIoU(Mean Intersection over Union)：计算每类真实值和预测值两个集合的交集和并集之比然后求平均；
FWIoU(Frequency Weighted Intersection over Union)：根据每一类出现的频率对各个类的IoU进行加权求和；
F1score：Precision表示预测值中模型计算正确的概率，Recall表示真实值中模型预测正确的概率，F1score代表两者的调和平均数，常作为机器学习分类问题中的最终评判指标；
本发明在训练过程中使用四种主流的语义分割模型SegNet、PspNet、U-net和DeeplabV3+，且通过对预训练的四种模型进行参数的调整将其迁移到本发明的冰晶分割实例，保存最佳权重得到新模型，之后使用新模型对冰晶图片进行自动分割。此种方法解决了传统方法分割冰晶时难以识别冰晶透明模糊的边缘、当背景和冰晶像素相近时分割效果很差等问题，使得耗时耗力的冰晶分割任务得到了有效解决，为之后冰晶的测量、光学特性、辐射特性等研究提供了基础保障。
本发明方法能够有效地分割CPI采集到的不同分辨率、不同形状的冰晶图片，并且通过训练好的模型实现批量化自动分割工作。
附图说明
图1是对冰晶进行自动分割的方案的流程图。
图2是对小样本类数据集进行数据增强后的部分结果。其中，(a)是原始图片，(b)是几何增强后的图片，(c)是颜色扰动处理后的图片，(d)是噪声处理后的图片。
图3是各模型训练过程中val_loss(验证集交叉熵)的变化，作为最佳权重选取的依据。其中，(a)是MobileV2+SegNet的训练过程，(b)是MobileV2+PspNet的训练过程，(c)是MobileV2+U-net的训练过程，(d)是MobileV2+DeeplabV3+的训练过程。
图4是各模型最终的分割结果呈现。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供的冰晶图片的自动分割方法，主要包含3个部分：1、制作冰晶分割数据集；2、搭建深度学习网络进行模型的训练；3、将测试集放入训练好的模型中评估分割结果。具体实施如下。
步骤1，制作冰晶分割数据集：
(1)原始图片来自于网上公开的冰晶数据集ICDC，但是其中有一些类别的冰晶图片数量极少，所以对于这些图片先进行一个数据增强操作；
第一步采用最简单的几何变换方法，如翻转、旋转、缩放等；
第二步采用颜色扰动的数据增强，即在某一个颜色空间通过增加或减少某些颜色分量，或者更改颜色通道的顺序。如增强对比度、增强亮度、增强饱和度、随机颜色法等；
第三步采用基于噪声的数据增强方法，如高斯噪声：设定参数后产生一个高斯随机数，根据输入像素计算出输出像素，重新将像素值限制或放缩在[0～255]之间，循环所有像素，最后输出图像。除此之外，还采用了椒盐噪声、均值滤波和中值滤波后的高斯噪声处理等。最终的部分结果如图2展示；
(2)使用Labelme数据标注工具对原始冰晶图像进行点形状的标注，将背景设为RGB[0,0,0]，冰晶实体设为RGB[1,1,1]，保存所有的json文件；
(3)编写python脚本，批量化将已标注的图片json转成png形式保存，并且分别放到原始图片和标注图片两个文件夹。
步骤2，搭建深度学习网络进行模型的训练：
(1)为了使得整个网络架构更加轻量化，特征提取器均使用MobileNetV2模型(参见文献5)，引入depthwise separable convolution(深度可分离卷积)，先使用深度学习框架Keras中的DepthwiseConv2D深度卷积层实现深度可分离卷积，然后再利用1x1卷积调整通道数，大大减少了模型的参数量；
(2)搭建的MobileV2+SegNet模型主干部分使用的是MobileNetV2框架，在编码器(decoder)部分对最大池化中的切片进行了复制，使得效率更高。分类目标(nclasses)为背景和冰晶主体两类，这里的nclasses即为2。将图片resize(重定义)成416*416大小，val_loss(验证集交叉熵)3次不下降就下降学习率继续训练，当val_loss一直不下降的时候意味着模型基本训练完毕，可以停止。初始学习率设为0.0001，batch_size(切片大小)设为4，epochs(迭代次数)设为50，开始训练。选择验证集交叉熵值最低时的参数保存为最佳权重用作后续的自动分割模型；
(3)搭建的MobileV2+PspNet主干部分使用的是MobileNetV2框架，采用步长不同，池化大小不同的平均池化层进行平均池化，然后将池化的结果重新改变到一个长宽上后，再全部堆叠，最后输出滤波器为2的图像。除最开始重定义的大小为516*516，其余参数设置相同，开始训练。选择验证集交叉熵值最低时的参数保存为最佳权重用作后续的自动分割模型；
(4)搭建的MobileV2+U-net主干部分使用的是MobileNetV2框架，解码器(decoder)部分将长宽被压缩了四次的特征层进行一次上采样后与上一层特征层进行特征融合，然后再进行一次上采样，最后输出滤波器为2的图像。初始重定义大小为416*416，其余参数相同，开始训练。选择验证集交叉熵值最低时的参数保存为最佳权重用作后续的自动分割模型；
(5)搭建的MobileV2+DeeplabV3+主干部分使用的是MobileNetV2框架，但是加入了网络特有的空洞卷积提取任意分辨率下的特征，同时对分割结果采用条件随机场进行了后处理，较好进行了改善。除初始重定义大小为90*90，batch_size(切片大小)为9外，其余参数相同，开始训练。选择验证集交叉熵值最低时的参数保存为最佳权重用作后续的自动分割模型。
上述所有搭建模型的训练过程中验证集交叉熵的变化如图3所示。
步骤3，将测试集放入训练好的模型中评估分割结果：
将背景层设为RGB[0,0,0]，冰晶层设为RGB[0,255,0]，预测完成后将预测的标注图和原始图片进行一个图片的融合，原图0.7透明度，预测部分0.3透明度，最终生成一张完整图片。各模型语义分割评估指标值如表1所示，每个模型都有非常好的分割效果。
表1
各模型的自动分割效果如图4所示。在高分辨率图片上各模型均有良好表现，但是低分辨率图片上，DeeplabV3+由于加入了空洞卷积结构，有更好的表现，所以本发明将会基于MobileV2+DeeplabV3+框架对冰晶的自动分割任务做进一步的研究。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
参考文献
1、Badrinarayanan V,Kendall A,Cipolla R.Segnet:A deep convolutionalencoder-decoder architecture for image segmentation[J].IEEE transactions onpattern analysis and machine intelligence,2017,39(12):2481-2495.
2、Zhao H,Shi J,Qi X,et al.Pyramid scene parsing network[C]//Proceedings of the IEEE conference on computer vision and patternrecognition.2017:2881-2890.
3、Ronneberger O,Fischer P,Brox T.U-net:Convolutional networks forbiomedical image segmentation[C]//International Conference on Medical imagecomputing and computer-assisted intervention.Springer,Cham,2015:234-241.
4、Chen L C,Zhu Y,Papandreou G,et al.Encoder-decoder with atrousseparable convolution for semantic image segmentation[C]//Proceedings of theEuropean conference on computer vision(ECCV).2018:801-818.
5、Sandler M,Howard A,Zhu M,et al.Mobilenetv2:Inverted residuals andlinear bottlenecks[C]//Proceedings of the IEEE conference on computer visionand pattern recognition.2018:4510-4520.。
Claims (1)
1.一种冰晶图片的自动分割方法，其特征在于，具体步骤如下：
步骤1，将原始数据集中的小样本类数据进行数据增强处理，使得冰晶数据集整体类别较为平衡；
步骤2，对所有冰晶图片进行标注；
步骤3，拿分好的训练集放入预训练的深度学习模型中进行参数调整，得到最佳权重；
步骤4，用迁移学习得到的新模型在测试集上进行冰晶分割，查看分割效果，实现冰晶图片的自动分割；
步骤1所述进行数据增强处理，具体为：
步骤11，采用几何变换方法，包括翻转、旋转和缩放；
步骤12，采用颜色扰动的数据增强，即在某一个颜色空间通过增加或减少某些颜色分量，或者更改颜色通道的顺序，包括增强对比度、增强亮度、增强饱和度和随机颜色法；
步骤13，采用基于噪声的数据增强方法，包括高斯噪声、椒盐噪声、均值滤波和中值滤波后的高斯噪声处理；对于高斯噪声：设定参数后产生一个高斯随机数，根据输入像素计算出输出像素，重新将像素值限制或放缩在[0 ~ 255]之间，循环所有像素，最后输出图像；
步骤2中所述对所有冰晶图片进行标注，具体为：
步骤21，使用Labelme数据标注工具进行标签注释，将背景设为RGB[0,0,0]，冰晶实体设为RGB[1,1,1]；
步骤22，编写python脚本，批量化将已标注的数据集分成原始图片和标注图片两个文件夹；
步骤3中所述进行参数调整，具体为：
步骤31，选择在语义分割任务中表现较好的四种深度学习模型SegNet、PspNet、U-net和DeeplabV3+，使用轻量且高效的MobileV2网络作为特征提取器，搭建冰晶分割的网络模型；
步骤32，将冰晶分割数据集分为训练集和测试集两部分，训练集放入构建好的四个网络模型中进行训练，同时将10%作为验证集，基于迁移学习的方法定义原始权重，之后再通过验证集交叉熵值选择最佳权重并保存；
步骤4中所述测试集上进行冰晶分割，具体为：
步骤41，利用训练出来的最佳权重对测试集进行预测；
步骤42，计算语义分割结果评估指标PA、MPA、MIoU、FWIoU和F1score，评估冰晶分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110227920.7A CN112907475B (zh) | 2021-03-02 | 2021-03-02 | 一种冰晶图片的自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110227920.7A CN112907475B (zh) | 2021-03-02 | 2021-03-02 | 一种冰晶图片的自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907475A CN112907475A (zh) | 2021-06-04 |
| CN112907475B true CN112907475B (zh) | 2023-05-23 |
Family
ID=76108572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110227920.7A Active CN112907475B (zh) | 2021-03-02 | 2021-03-02 | 一种冰晶图片的自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907475B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9554738B1 (en) * | 2016-03-30 | 2017-01-31 | Zyomed Corp. | Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing |
| CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
| CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
| CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
| WO2020180826A1 (en) * | 2019-03-01 | 2020-09-10 | The Board Of Trustees Of The University Of Illinois | Compositions and methods for inhibiting ice formation on surfaces |
| CN111860571A (zh) * | 2020-06-03 | 2020-10-30 | 成都信息工程大学 | 一种基于cip数据质量控制的云微粒子分类方法 |
| CN111898627A (zh) * | 2020-05-27 | 2020-11-06 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
| CN112183452A (zh) * | 2020-10-15 | 2021-01-05 | 国家气象中心 | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 |
| CN114925507A (zh) * | 2022-05-03 | 2022-08-19 | 珠海复旦创新研究院 | 一种amckd模式中等效气体吸收系数的最优化计算方法 |
-
2021
- 2021-03-02 CN CN202110227920.7A patent/CN112907475B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9554738B1 (en) * | 2016-03-30 | 2017-01-31 | Zyomed Corp. | Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing |
| CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
| CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
| WO2020180826A1 (en) * | 2019-03-01 | 2020-09-10 | The Board Of Trustees Of The University Of Illinois | Compositions and methods for inhibiting ice formation on surfaces |
| CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
| CN111898627A (zh) * | 2020-05-27 | 2020-11-06 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
| CN111860571A (zh) * | 2020-06-03 | 2020-10-30 | 成都信息工程大学 | 一种基于cip数据质量控制的云微粒子分类方法 |
| CN112183452A (zh) * | 2020-10-15 | 2021-01-05 | 国家气象中心 | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 |
| CN114925507A (zh) * | 2022-05-03 | 2022-08-19 | 珠海复旦创新研究院 | 一种amckd模式中等效气体吸收系数的最优化计算方法 |
Non-Patent Citations (4)
| Title |
|---|
| Classification of Ice Crystal Habits Observed From Airborne Cloud Particle Imager by Deep Transfer Learning;Haixia Xiao等;Earth and Spacce Science;1877-1886 * |
| 华北地区云中冰晶粒子的形状类别和增长演变机制研究;肖海霞;中国优秀硕士学位论文全文数据库 基础科学辑(第2期);A009-72 * |
| 基于CloudSat的台风深对流云微物理参数相关性分析;罗双等;红外;第40卷(第9期);39-46 * |
| 霜层生长图像的数字化处理以及定量分析;侯普秀;蔡亮;虞维平;;建筑热能通风空调(第02期);97-100 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907475A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
| JP2022548712A (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
| CN109902748A (zh) | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 | |
| CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN111222519B (zh) | 一种层次化彩绘文物线稿提取模型构建、方法及装置 | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
| CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
| CN114820579A (zh) | 一种基于语义分割的图像复合缺陷的检测方法及系统 | |
| CN108460400A (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
| CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
| CN114863348A (zh) | 基于自监督的视频目标分割方法 | |
| CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
| CN114511785A (zh) | 基于瓶颈注意力模块的遥感图像云检测方法及系统 | |
| CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| CN112215241B (zh) | 一种基于小样本学习的图像特征提取装置 | |
| Yang et al. | RSAMSR: A deep neural network based on residual self-encoding and attention mechanism for image super-resolution | |
| CN117197686A (zh) | 一种基于卫星影像的高标准农田地块边界自动识别方法 | |
| CN112907475B (zh) | 一种冰晶图片的自动分割方法 |
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 |