CN113111688B - 一种全天空喉区极光识别方法及系统 - Google Patents
一种全天空喉区极光识别方法及系统 Download PDFInfo
- Publication number
- CN113111688B CN113111688B CN202010032041.4A CN202010032041A CN113111688B CN 113111688 B CN113111688 B CN 113111688B CN 202010032041 A CN202010032041 A CN 202010032041A CN 113111688 B CN113111688 B CN 113111688B
- Authority
- CN
- China
- Prior art keywords
- aurora
- image
- data
- classifier
- layer
- 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
- 239000005441 aurora Substances 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 210000000867 larynx Anatomy 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000003704 image resize Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种全天空喉区极光识别方法及系统,所述方法包括:获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果。本发明的方法收集并标注了领域专家认可的喉区极光数据集,通过深度有监督学习的方法训练出基于DenseNet121的喉区极光分类器,基于深度学习的方法能有效地从图像中学到更具有代表性的高维特征,从而得到优于传统分类器的分类结果;该喉区极光分类器对喉区极光的识别准确率0.96,召回率0.88,f1值0.92,在新的年份数据上也能达到同样的准确率,泛化性能良好,能有效应用于喉区极光领域的研究。
Description
技术领域
本发明属于空间科学领域,具体涉及一种全天空喉区极光识别方法及系统。
背景技术
极光被视为日地空间电磁信息的观测窗口,极光的强度与形态演化中蕴含着丰富的磁层动力学信息。对极光形态的识别有助于研究人员获取更多太阳和地磁场的相互作用细节及信息。从国际地球物理年开始,各国相继在南北极设置拥有诸如CCD全天空成像仪等新型极光观测设备的观测站,海量的连续观测图像在为极光统计研究带来强有力的数据支持的同时,也带来了大数据时代的挑战。
喉区极光是出现在磁正午附近(对应世界时上午10:00),当南北向的条带状弥散极光与分立极光卵接触的情况下,在极光卵低纬侧出现的一种沿南北向分布的分立极光结构目前的研究认为喉区极光对应磁层顶上的局地内陷式变形,最可能由磁鞘高速流冲击磁层顶产生,同时还可能触发磁重联过程。进一步探究喉区极光对全面认识磁鞘高速流影响太阳风-磁层耦合过程具有重要科学意义,而对喉区极光形态结构的精确高效识别,是对其进行深入探究的先决步骤。而目前对于喉区极光的识别仍依赖专家经验人工筛选,在海量原始数据面前,这一低效且繁杂的过程严重阻碍了后续更多的研究。因此,引入计算机视觉的方法对全天空喉区极光图像进行实时自动识别是喉区极光研究领域迫切需求的技术。
在极光图像研究领域,更多的研究者还是使用人工设计的特征提取算法搭配传统的模式识别分类器来完成极光形态的分类,这种人工设计特征提取方法复杂且准确率低。
发明内容
本发明的目的在于克服上述技术缺陷,帮助极光领域研究人员从海量全天空极光观测数据中高效精确的识别出喉区极光,基于深度学习的特征提取与图像识别方法应用于喉区极光的识别,提出一种全新的,高准确率、高召回率的喉区极光识别模型,可以对黄河站原始观测数据是否是喉区极光进行实时判别。
为了实现上述目的,本发明提供了一种全天空喉区极光识别方法,所述方法包括:
获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;
将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果。
作为上述方法的一种改进,所述获取原始极光观测数据,进行预处理后得到去除噪声的图像数据,具体包括:
读取原始极光观测数据并转换成常规图像的格式;
通过减暗电流消除由观测设备引起的系统噪声;
将图像像素值压缩在[0,4000]范围内,并对图像进行灰度值拉伸,将16位图像线性压缩成8位;
旋转图像使南北极走向与坐标轴吻合,正北向上;
圆形掩膜并剪裁,消除四周灯光、山脉的干扰。
作为上述方法的一种改进,所述喉区极光分类器为分类模型Densenet121,该模型由1个7*7卷积层,池化层、58个增加了特征复用支路的密集连接模块、3个过渡层和全连接层组成;
每一个卷积层都是对图像的局部区域做一次前馈计算,不同的卷积核提取不同的特征,随着层数的加深,得到更高维度的抽象特征,第l层的第j个特征图表示为:
其中,Mj表示选择输入上一层特征图组合,是卷积核的权重,/>是偏置,f是用于非线性映射的激活函数;
密集连接模块由若干个卷积层组成,其中每一层的输入都是前面每一层的输出在通道维度的连接;
过渡层由1*1卷积层和平均池化层组成,用于特征降维;
全连接层为一个2分类的全连接层,实现正负样本的二分类。
作为上述方法的一种改进,所述方法还包括:采用基于监督学习对喉区极光分类器进行训练的步骤,具体包括:
建立喉区极光数据集;
对分类模型Densenet121采用Xavier初始化方法随机初始化权重后,先在大数据集ImageNet数据集的1000类的图像样本上进行预训练,收敛后得到模型除全连接层前每一层的预训练权重;
在预训练权重的基础上,在喉区极光数据集上对喉区极光分类器进行进一步训练,得到训练好的喉区极光分类器。
作为上述方法的一种改进,所述建立喉区极光数据集,具体包括:
从极地中心获取喉区极光时间可能发生时间段的原始全天空极光数据;
将原始全天空极光数据转换成图像格式,并进行去噪裁剪预处理;
根据领域专家对喉区极光形态的定义,对预处理后的数据进行是否含有喉区极光的标注对处理后的图像以含有喉区极光结构为正样本,不含喉区极光结构为负样本进行标注,得到领域专家认可的有标签可用数据集,该数据集为喉区极光数据集。
作为上述方法的一种改进,所述将原始全天空极光数据转换成图像格式,并进行去噪裁剪预处理,具体包括:
读取原始极光观测数据并转换成常规图像的格式;
通过减暗电流消除由观测设备引起的系统噪声;
将图像像素值压缩在[0,4000]范围内,并对图像进行灰度值拉伸,将16位图像线性压缩成8位;
旋转图像使南北极走向与坐标轴吻合,正北向上;
圆形掩膜并剪裁,消除四周灯光、山脉的干扰。
作为上述方法的一种改进,所述方法还包括:所述在预训练权重的基础上,在喉区极光数据集上进行进一步训练,得到训练好的喉区极光分类器,具体包括:
参数更新采取SGDM随机梯度下降法,同时用动量M保留之前的更新方向;
参数更新公式如下:
ωi是当前参数,ωi+1是更新后的参数,ε是动量,η是学习率,增加权重衰减,则η不是固定的值,而是随着训练迭代次数的增加而动态的调整,学习率的动态调整也有利于模型更好的收敛;是第i个batch中的误差对偏导的平均值;损失函数L是交叉熵损失函数:
其中,yi是分类器对第i个样本的输出标签,ti是该样本的真实标签;交叉熵损失函数反映了预测分布与样本真实分布之间的距离,通过最小化训练数据的经验误差来降低模型的泛化误差;训练至模型收敛后得到训练好的喉区极光分类器。
本发明还提供了一种全天空喉区极光识别系统,所述系统包括:训练好的喉区极光分类器、预处理模块和分类模块;
所述预处理模块,用于获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;
分类模块,用于将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果。
本发明的优势在于:
1、本发明的方法用于全天空极光图像的研究中,对其中的特殊极光结构——喉区极光进行精准实时自动识别;该方法可以将图像特征提取与分类器训练这两个任务结合成一个端到端的一阶任务,从而大大提高图像识别的准确率和效率;
2、本发明首次将计算机视觉技术引入喉区极光图像的识别,首次实现全天空喉区极光图像的自动识别;且所采用的深度学习模型DenseNet特有的密集连接结构,有效的将特征提取,多维特征融合以及分类器训练结合起来,比以往极光图像分类问题种所采取的传统分类器更加准确高效简洁;
3、本发明收集并标注了领域专家认可的喉区极光数据集,并通过深度有监督学习的方法训练出基于DenseNet121的喉区极光分类器,基于深度学习的方法能有效地从图像中学到更具有代表性的高维特征,从而得到优于传统分类器的分类结果;该分类器对喉区极光的识别准确率0.96,召回率0.88,f1值0.92,在新的年份数据上也能达到同样的准确率,泛化性能良好,能有效应用于喉区极光领域的研究。本技术包含了完整的从数据处理到分类的过程,可对北极黄河站的原始观测数据进行直接的处理和分类。
附图说明
图1为本发明的全天空喉区极光识别方法的流程图;
图2为本发明的分类模型的DenseNet结构图。
具体实施方式
下面结合附图对本发明的技术方案进行详细的说明。
如图1所示,基于深度学习,本发明提出了一种全天空喉区极光识别方法,该方法包括:
步骤1)数据收集:从极地中心获取喉区极光时间可能发生时间段的原始全天空极光数据。
原始数据由极地中心提供,来自我国北极黄河站(78°55′N、11°56′E)三波段极光全天空CCD成像观测系统的越冬极光观测数据,为排除弥散极光带来的干扰,只选用630.0nm波段(红色波段)的观测数据。喉区极光发生时间集中在磁正午(MLN)附近,对应于世界时上午10:00左右,只选取可能发生喉区极光的时间段内的样本,即2003-2017年间,世界时9:00-11:00内的原始数据。原始极光数据2003~2009年为.IMG遥感影像格式,2010~2017年是.FITS格式,FITS(Flexible Image Transport System)是国际天文学会(IAU)1982年确定的世界各天文台之间用于数据传输、交换的统一标准格式。
步骤2)数据预处理:读取原始数据转换成图像格式,并进行去噪裁剪等预处理。
参考现有的文献中极光数据集中对于全天空极光图像的预处理步骤,同时结合自己的对比实验与分析,最终完整的预处理过程包括:
(1)读取原始极光数据转换成常规图像的格式;
(2)减暗电流,即消除由观测设备引起的系统噪声;
(3)排除过大的噪声,将像素值压缩在[0,4000]范围内,并对图像进行灰度值拉伸,将16位图像线性压缩成8位;
(4)旋转图像使南北极走向与坐标轴吻合,正北向上;
(5)圆形掩膜并剪裁,消除四周灯光、山脉等的干扰。
步骤3)数据标注:基于专家经验指导对处理后的图像以含有喉区极光结构为正样本,不含喉区极光结构为负样本进行标注,得到领域专家认可的有标签可用数据集。
根据领域专家对喉区极光形态的定义,对预处理后的数据进行是否含有喉区极光的标注,精细筛选出典型正负样本,剔除部分模能两可,难以判断的干扰样本,和云雾干扰严重、曝光干扰严重的异常样本,以含有喉区极光结构为正样本,不含喉区极光结构为负样本,共得到11076幅正样本图像和40130幅负样本图像,标注结果得到喉区极光研究领域专家的认可。
步骤4)数据集划分:采用基于监督学习的方法训练分类器,需要遵循独立同分布原则划分训练集、验证集和测试集。
首先将2003~2015年间的样本,遵循独立同分布原则划分成训练集、验证集和测试集完成实验:抽取1/10作为测试集,剩余部分作为训练集和验证集,为减少分布带来的干扰,随机分成五个set进行五折交叉验证,再将2016-2017年的样本作为额外的测试集dataset3。由于连续的极光图像形态过于相似,直接随机划分难以保证数据集的独立,基于极光事件不跨天的空间物理认知,在划分时以天为粒度进行划分,保证同一天的数据只出现一个set中。
步骤5)分类模型的建立和预训练:
建立分类模型DenseNet121,基于迁移学习的思想,先在大型数据集上得到预训练权重。
在众多对比实验后选择深度学习分类模型Densenet121作为最终采用的分类器,该模型由1个7*7卷积层,池化层、58个增加了特征复用支路的密集连接模块(DenseBlock)、3个过渡层(Transition layer)和全连接层组成,如图2所示。
每一个卷积层都是对图像的局部区域做一次前馈计算,不同的卷积核提取不同的特征,随着层数的加深,得到更高维度的抽象特征,第l层的第j个特征图可表示为:
其中Mj表示选择输入上一层特征图组合,是卷积核的权重,/>是加的偏置,f是用于非线性映射的激活函数。密集连接模块由若干个卷积层组成,其中每一层的输入都是前面每一层的输出在通道维度的连接,这一结构有效的实现了特征复用,减少了网络参数量,还具有一定正则效果,加速了网络收敛同时有效缓解了过拟合,又相当于将多维特征融合应用于特征提取部分,优化了特征学习。过渡层由1*1卷积层和平均池化层组成,用于特征降维。层层提取更高维的特征图,最终送入一个2分类的全连接层,实现正负样本的二分类。
相对于数据驱动的深度学习算法所需数据量,训练数据量仍偏少,因此采取迁移学习的策略,搭建模型并采用Xavier初始化方法随机初始化权重后,先在大数据集ImageNet数据集的1400万分为1000类的图像样本上进行预训练,收敛后得到模型除全连接层外前面每一层的预训练权重。
步骤6)在喉区极光数据集上训练:在预训练权重的基础上,在步骤3)所的得到的喉区极光数据集上进行进一步训练,得到最终的喉区极光分类器。
基于深度学习的方法将图像的特征提取与分类器训练结合起来,不再需要人工设计特征提取策略,DenseNet特有的密集连接结构将多维特征融合与特征提取结合起来,模型通过迭代学习,自主提取最能代表类别属性的高维特征,同时训练分类器,得到高准确率、高召回率的分类器。以上一步所得的结果为预训练模型,在此基础上在喉区极光标注数据集上进行进一步训练,直到模型收敛。
对于输入模型的图像数据需要做以下处理:(1)下采样至224*224;(2)对正样本做过采样使正负样本比例达到1:1;(3)为缓解过拟合,对有限的样本做数据增强,包括沿南北轴做随机镜像翻转、亮度随机调整、加随机噪声等;(4)白化处理。
参数更新采取SGDM(Stochastic Gradient Descent with Momentum)方法,即随机梯度下降法,同时用动量M保留之前的更新方向。参数更新公式如下
ωi是当前参数,ωi+1是更新后的参数,ε是动量,η是学习率,增加权重衰减,则η不是固定的值,而是随着训练迭代次数的增加而动态的调整,学习率的动态调整也有利于模型更好的收敛。是第i个batch种的误差对偏导的平均值。
L是损失函数,在此处,二分类问题中我们采用的损失函数是交叉熵损失函数:
其中yi是分类器对第i个样本的输出标签,ti是该样本的真实标签。交叉熵损失函数反映了预测分布与样本真实分布之间的距离,希望模型学到的分布和训练数据的分布尽量相同,则可以通过最小化训练数据的经验误差来降低模型的泛化误差。训练至模型收敛后得到最终的分类模型。采取五折交叉验证避免数据划分的随机性带来的误差。最终收敛后的模型,在测试集的准确率达0.96,在测试泛化性能的1617年数据集上同样取得同样的精度,足以对全天空喉区极光进行准确的实时识别。
具体实施步骤:
步骤1:从极地中心获取原始全天空极光观测数据,进行筛选、预处理和正负样本的标注以及合理的数据集划分,得到领域专家认可的可用有标签数据集。共得到11076幅正样本图像和40130幅负样本图像,其中2003至2005年间的9560正样本和34510负样本遵循独立同分布原则划分训练集、验证集和测试集,另外将2016~2017年的1550正样本和5620负样本作为额外的测试集用于测试模型在新的年份数据上的泛化性能。该标注数据集也将用于未来对喉区极光图像识别技术的更多探索中。
步骤2:基于pytorch框架搭建分类模型DenseNet121,服务器配置为2块NVIDIATesla K80 GPU。先对搭建好的网络进行预训练,训练数据为ImageNet数据集1400万张,1000个类别的图像,将图像resize到我们的模型DenseNet121匹配的大小即224*224,并作常规的数据增强和白化操作。预训练至模型收敛后,保留模型除全连接层外前面所有层的权重,将全连接层换成随机初始化的2类输出全连接层,再在喉区极光数据集上用小的学习率进一步精细化微调,同样要将喉区极光数据集中的图像resize到模型匹配的输入尺寸224*224,并坐数据增强和白化后送入网络,充分利用深度网络的学习能力提取图像的高维抽象特征并进行分类。采用交叉熵损失函数,SGDM优化器更新参数,动态调节学习率,得到最好的收敛结果。
步骤3)获取黄河站的原始极光观测数据(.IMG或.FITS格式),进入预处理系统处理成去除噪声的图像数据,再送入分类器进行测试,得到最终分类结果。对单张图像的分类可达实时速度,步骤简洁高效。
本发明还提供了一种全天空喉区极光识别系统,所述系统包括:训练好的喉区极光分类器、预处理模块和分类模块;
所述预处理模块,用于获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;
分类模块,用于将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种全天空喉区极光识别方法,所述方法包括:
获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;
将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果;
所述喉区极光分类器为分类模型Densenet121,该模型由1个7*7卷积层,池化层、58个增加了特征复用支路的密集连接模块、3个过渡层和全连接层组成;
每一个卷积层都是对图像的局部区域做一次前馈计算,不同的卷积核提取不同的特征,随着层数的加深,得到更高维度的抽象特征,第l层的第j个特征图表示为:
其中,Mj表示选择输入上一层特征图组合,是卷积核的权重,/>是偏置,f是用于非线性映射的激活函数;
密集连接模块由若干个卷积层组成,其中每一层的输入都是前面每一层的输出在通道维度的连接;
过渡层由1*1卷积层和平均池化层组成,用于特征降维;
全连接层为一个2分类的全连接层,实现正负样本的二分类;
基于监督学习对喉区极光分类器进行训练的步骤,具体包括:
建立喉区极光数据集;
对分类模型Densenet121采用Xavier初始化方法随机初始化权重后,先在大数据集ImageNet数据集的1000类的图像样本上进行预训练,收敛后得到模型除全连接层前每一层的预训练权重;
在预训练权重的基础上,在喉区极光数据集上对喉区极光分类器进行进一步训练,得到训练好的喉区极光分类器;
所述建立喉区极光数据集,具体包括:
从极地中心获取喉区极光时间可能发生时间段的原始全天空极光数据;
将原始全天空极光数据转换成图像格式,并进行去噪裁剪预处理;
根据领域专家对喉区极光形态的定义,对于预处理后的图像,以含有喉区极光结构为正样本,不含喉区极光结构为负样本进行标注,得到领域专家认可的有标签可用数据集,该数据集为喉区极光数据集;
所述在预训练权重的基础上,在喉区极光数据集上进行进一步训练,得到训练好的喉区极光分类器,具体包括:
参数更新采取SGDM随机梯度下降法,同时用动量M保留之前的更新方向;
参数更新公式如下:
ωi是当前参数,ωi+1是更新后的参数,ε是动量,η是学习率,增加权重衰减,则η不是固定的值,而是随着训练迭代次数的增加而动态的调整,学习率的动态调整也有利于模型更好的收敛;是第i个batch中的误差对偏导的平均值;损失函数L是交叉熵损失函数:
其中,yi是分类器对第i个样本的输出标签,ti是该样本的真实标签;交叉熵损失函数反映了预测分布与样本真实分布之间的距离,通过最小化训练数据的经验误差来降低模型的泛化误差;训练至模型收敛后得到训练好的喉区极光分类器。
2.根据权利要求1所述的全天空喉区极光识别方法,其特征在于,所述获取原始极光观测数据,进行预处理后得到去除噪声的图像数据,具体包括:
读取原始极光观测数据并转换成常规图像的格式;
通过减暗电流消除由观测设备引起的系统噪声;
将图像像素值压缩在[0,4000]范围内,并对图像进行灰度值拉伸,将16位图像线性压缩成8位;
旋转图像使南北极走向与坐标轴吻合,正北向上;
圆形掩膜并剪裁,消除四周灯光、山脉的干扰。
3.根据权利要求1所述的全天空喉区极光识别方法,其特征在于,所述将原始全天空极光数据转换成图像格式,并进行去噪裁剪预处理,具体包括:
读取原始极光观测数据并转换成常规图像的格式;
通过减暗电流消除由观测设备引起的系统噪声;
将图像像素值压缩在[0,4000]范围内,并对图像进行灰度值拉伸,将16位图像线性压缩成8位;
旋转图像使南北极走向与坐标轴吻合,正北向上;
圆形掩膜并剪裁,消除四周灯光、山脉的干扰。
4.一种基于权利要求1的全天空喉区极光识别方法的系统,其特征在于,所述系统包括:训练好的喉区极光分类器、预处理模块和分类模块;
所述预处理模块,用于获取原始极光观测数据,进行预处理后得到去除噪声的图像数据;
分类模块,用于将去除噪声的图像数据输入预先训练好的喉区极光分类器,得到图像是否包括喉区极光的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032041.4A CN113111688B (zh) | 2020-01-13 | 2020-01-13 | 一种全天空喉区极光识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032041.4A CN113111688B (zh) | 2020-01-13 | 2020-01-13 | 一种全天空喉区极光识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111688A CN113111688A (zh) | 2021-07-13 |
CN113111688B true CN113111688B (zh) | 2024-03-08 |
Family
ID=76708860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032041.4A Active CN113111688B (zh) | 2020-01-13 | 2020-01-13 | 一种全天空喉区极光识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111688B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550712A (zh) * | 2015-12-23 | 2016-05-04 | 西安电子科技大学 | 基于优化卷积自动编码网络的极光图像分类方法 |
CN109033944A (zh) * | 2018-06-07 | 2018-12-18 | 西安电子科技大学 | 一种全天空极光图像分类与关键局部结构定位方法及系统 |
-
2020
- 2020-01-13 CN CN202010032041.4A patent/CN113111688B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550712A (zh) * | 2015-12-23 | 2016-05-04 | 西安电子科技大学 | 基于优化卷积自动编码网络的极光图像分类方法 |
CN109033944A (zh) * | 2018-06-07 | 2018-12-18 | 西安电子科技大学 | 一种全天空极光图像分类与关键局部结构定位方法及系统 |
Non-Patent Citations (9)
Title |
---|
"Aurora Image Search With a Saliency-Weighted Region Network";Yang, Xi, et al.;《IEEE Transactions on Geoscience and Remote Sensing》;全文 * |
"Aurora image search with contextual CNN feature";Yang, Xi, et al.;《Neurocomputing 》;全文 * |
"Extracting auroral key local structures from all‐sky auroral images by artificial intelligence technique";Yang, Qiuju, et al.;《Journal of Geophysical Research: Space Physics》;全文 * |
"喉区极光的机器识别";佟欣, 邹自明, 白曦等.;《空间科学学报》;全文 * |
"喉区极光的机器识别";佟欣;《中国优秀硕士学位论文全文数据库 基础科学辑》;全文 * |
"基于全天空极光图像方向能量表征方法的极光事件分类";张军;胡泽骏;王倩;梁继民;;《极地研究》(03);全文 * |
"基于密集卷积网络(DenseNets)的遥感图像分类研究";李达;李琳;李想;;《计算机时代》(10);全文 * |
李彦枝,陈昌红,谢晓芳.."基于改进卷积神经网络的极光图像分类算法研究".《南京邮电大学学报(自然科学版)》.2019,第87-90页. * |
王菲,杨秋菊."基于卷积神经网络的极光图像分类".《极地研究》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113111688A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689086B (zh) | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
CN108804397A (zh) | 一种基于少量目标字体的汉字字体转换生成的方法 | |
CN110599502B (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN115205692A (zh) | 基于生成对抗网络的典型地物要素智能识别与提取方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN113111688B (zh) | 一种全天空喉区极光识别方法及系统 | |
CN111738939B (zh) | 一种基于半训练生成器的复杂场景图像去雾方法 | |
CN115100509B (zh) | 基于多分支块级注意力增强网络的图像识别方法及系统 | |
An | Xception network for weather image recognition based on transfer learning | |
CN113128542B (zh) | 一种全天空极光图像分类方法及系统 | |
CN111461169B (zh) | 基于正反卷积和多层分支深度网络的行人属性识别方法 | |
CN114580552A (zh) | 一种基于迁移模型的小样本茶叶图像分类方法 | |
CN113837263A (zh) | 基于特征融合注意力模块和特征选择的手势图像分类方法 | |
CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
CN113723455A (zh) | 一种基于度量学习的强引力透镜系统分类方法及装置 | |
He et al. | Classification of Galaxy Morphology Based on Multi-Channel Deep Residual Networks | |
CN113723456B (zh) | 一种基于无监督机器学习的天文图像自动化分类方法及系统 | |
Qiao et al. | CBS-GAN: A band selection based generative adversarial net for hyperspectral sample generation | |
CN117593666B (zh) | 一种极光图像的地磁台站数据预测方法及系统 |
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 |