[發明專利]一種基于遷移學習的地基云圖分類方法

有效

• 申請號: 201810132251.3
• 申請日: 2018-02-09
• 公開（公告）號: CN108229589B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 張重;李東紅;劉爽
• 申請（專利權）人: 天津師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

本發明實施例公開了一種基于遷移學習的地基云圖分類方法，該方法包括以下步驟：構建提取特征的目標網絡；將來自源域和目標域的地基云圖進行配對，得到相似圖像對和非相似圖像對，作為所述目標網絡的輸入進行遷移學習，得到特征提取訓練模型；基于所述特征提取訓練模型，獲取來自源域和目標域的測試地基云圖的特征向量；將測試地基云圖的特征向量輸入分類器進行分類，得到測試地基云圖分類結果。本發明利用遷移學習得到的目標網絡進行特征提取，并利用權重垂直池化進行特征向量表示，能夠挖掘具有完備的和包含空間信息的特征，從而提高地基云圖分類的正確率。

技術領域

本發明屬于模式識別、人工智能技術領域，具體涉及一種基于遷移學習的地基云圖分類方法。

背景技術

云是一種重要的天氣現象，通常狀況下，云覆蓋地球表面50％左右，它在天氣預報中起著關鍵作用，是地球氣候系統的重要影響因素。地基云觀測是一種重要的云觀測方式，實現地基云圖自動分類對氣候分析、大氣環流模式和數值天氣預報等具有重要的意義。目前，國內外均已經著手開展相關領域的研究工作。Buch等人對WSI云圖進行了分類，主要考察云圖的紋理特征、位置信息和像元亮度信息，紋理特征采用了LAWS紋理分析法。運用二元決策樹進行高積云、卷云、層云、積云和晴空等5種天空類型的判斷。Singh等人對數字相機得到的云圖進行分類，通過自相關法、灰度共生矩陣法、LAWS能量法等提取出上百種云特征，對積云、濃積云、積雨云、天空和其他云類這5種天空類型分類。Calbo等人采用位于不同地區的TSI和WSC所采集的數據，通過抽取原始圖像的統計信息、傅里葉變換圖像信息和有云無云點的信息對晴空、波狀云、卷云、層狀云和積狀云5類天空類型進行分類。Liu等人提出顯著性局部二值模式(Salient Local Binary Pattern，SLBP)來表示云圖并對其分類。Shi等人證明了在地基云圖分類中使用卷積激活值來表示特征能得到較高的分類準確率。以上方法都是在同一個數據庫做訓練和測試，只是在所訓練的數據庫能得到好的分類結果，并不能泛化到其他數據庫。在現實生活中，存在著各種各樣的地基云圖數據庫，因為它們是由不同的氣象站收集的，在拍攝地點、攝像機的分辨率、光照等方面均存在差異，也就是說每個數據庫的地基云圖存在很大的差異，而以上方法對于其他數據庫均缺少泛化性。

發明內容

本發明的目的是要解決地基云圖分類問題，為此，本發明提供一種基于遷移學習的地基云圖分類方法。

為了實現所述目的，本發明提出一種基于遷移學習的地基云圖分類方法，所述方法包括以下步驟：

步驟S1，構建提取特征的目標網絡；

步驟S2，將來自源域和目標域的地基云圖進行配對，得到相似圖像對和非相似圖像對，作為所述目標網絡的輸入進行遷移學習，得到特征提取訓練模型；

步驟S3，基于所述特征提取訓練模型，獲取來自源域和目標域的測試地基云圖的特征向量；

步驟S4，將測試地基云圖的特征向量輸入分類器進行分類，得到測試地基云圖分類結果。

可選地，所述步驟S1包括以下步驟：

步驟S11，選擇m個預訓練網絡模型進行初始化，將預訓練網絡模型末端的輸出個數均修改為地基云圖的類別數目D，其中m為自然數，m＝2，3，…；

步驟S12，使用連接函數將所述m個預訓練網絡模型的輸出向量進行連接，得到輸出向量f；

步驟S13，將所述輸出向量f輸入到全連接層中，得到m維向量x；

步驟S14，將所述向量x輸入到柔性最大值函數中，得到分類預測值

步驟S15，根據所述分類預測值和預先得到的分類真實值p_i，使用交叉熵損失函數計算損失值Loss，最終構建得到提取特征的目標網絡。

可選地，所述步驟S2包括以下步驟：