[發明專利]一種基于深度學習的中尺度渦旋識別方法

在審

• 申請號: 202010594330.3
• 申請日: 2020-06-28
• 公開（公告）號: CN111767827A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 張衛民;殷何卿;戴海瑨;王輝贊;汪祥;朱俊星;李小勇
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 祁建國

本發明公開了一種基于深度學習的中尺度渦旋識別方法，包括以下步驟：數據獲取與準備；數據變換與數據增強；建立基于注意力機制的金字塔場景解析網絡模型；對所述的網絡模型進行訓練；利用訓練好的網絡模型進行中尺度渦旋識別。本發明利用改進的PSPNet(金字塔場景解析網絡)對海面高度數據為內容的二維圖像進行分析和識別，從而實現對海洋中尺度渦旋的識別，采用空洞卷積(Dilated Convolution)的ResNet網絡作為特征提取網絡，同時采用逐點的空間注意力機制神經網絡模塊，提升金字塔場景解析網絡模型的中尺度渦旋的識別性能。

技術領域

本發明屬于海洋氣象數據分析技術領域，具體涉及一種基于深度學習的中尺度渦旋識別方法。

背景技術

中尺度渦是世界各大洋中無處不在的一種海洋現象，其直徑范圍從十公里到百公里量級，邊緣旋轉速度能達到0.5-0.7m/s，并且占據著全球海洋環流中大部分動能。渦旋的垂向深度會影響到幾十米到幾百米，甚至上千米，從而將海洋深層的冷水和營養鹽帶到表面，或將海表暖水壓入到較深的海洋中，從而影響海洋上混合層，密度躍層甚至更深的海洋。渦旋的高旋轉速度和伴隨著的強剪切，使其具有很強的非線性，從而具有保存自身特征的記憶性和保守性，使其在全球海洋物質，能量，熱量和淡水等的輸送和分配中起著不可忽視的作用。因此，海洋渦旋的研究具有非常重要的科學意義和應用價值。海洋中尺度和次中尺度渦旋的研究改變著人們對海洋的傳統認識。近25年，高分辨率海洋數值模式和海洋衛星遙感技術(特別是衛星高度計資料)，極大地促進了人類對未知廣袤海洋的認知。而最近幾年人工智能領域的進步給海洋研究者們帶來了新的研究思路。目前，深度學習方法已在遙感資料處理中得到了初步應用，并且取得了良好的效果。因此，研究基于深度學習算法的渦旋識別方法對于渦旋識別，甚至其它海洋現象識別的智能化有重要意義。

語義分割是人工智能領域深度學習的最新趨勢之一。深度學習方法通過多層神經網絡擬合訓練樣本(用于建立模型的數據)的分布，提取不同層次的圖像特征，解決了傳統圖像分割問題中細粒度多類別分割等難題。將海面高度(SSH)數據作為二維圖像處理，可以將深度學習應用到海洋渦旋檢測中。根據渦旋檢測的需要，利用海面高度信息和語義分割技術對海洋渦旋進行識別。

金字塔場景解析網絡(Pyramid Scene Parsing Network,PSPNet)是CVPR2017上關于場景解析的文章，拿到了2016年ImageNet比賽中場景解析任務的冠軍，參考文獻：Zhao,H.,et al.,Pyramid Scene Parsing Network.2016。這個模型技術出發點是在語義分割算法中引入更多的上下文信息，這樣能夠避免許多誤分割，PSPNet在FCN算法的基礎上引入更多上下文信息是通過全局均值池化操作(global average pooling)和特征融合實現的，因此特征呈金字塔結構PSPNet算法是目前應用比較廣泛的語義分割算法之一，該算法在PASCAL VOC2012測試集上的平均交并比(mIOU)是82.6％。

發明內容

有鑒于此，本發明的目的在于提供一種基于深度學習的中尺度渦旋識別方法，所述方法利用深度學習中的語義分割技術，具體是利用改進的金字塔場景解析網絡模型，通過對海面高度數據為內容的二維圖像進行處理，從而實現對海洋中尺度渦旋的識別。

基于上述目的，一種基于深度學習的中尺度渦旋識別方法，包括以下步驟：

步驟1，數據獲取與準備；

步驟2，數據變換與數據增強；

步驟3，建立基于注意力機制的金字塔場景解析網絡模型；

步驟4，對所述的網絡模型進行訓練；

步驟5，利用訓練好的網絡模型進行中尺度渦旋識別。

步驟1中所述的數據包括海面高度數據圖像和對應的標注；步驟2中對所述的圖像數據進行隨機水平翻轉，隨機旋轉，隨機縮放操作，獲得數據增強的效果。