[发明专利]一种基于迁移学习的地基云图分类方法

说明书

本发明实施例公开了一种基于迁移学习的地基云图分类方法，该方法包括以下步骤：构建提取特征的目标网络；将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。本发明利用迁移学习得到的目标网络进行特征提取，并利用权重垂直池化进行特征向量表示，能够挖掘具有完备的和包含空间信息的特征，从而提高地基云图分类的正确率。

技术领域

本发明属于模式识别、人工智能技术领域，具体涉及一种基于迁移学习的地基云图分类方法。

背景技术

云是一种重要的天气现象，通常状况下，云覆盖地球表面50％左右，它在天气预报中起着关键作用，是地球气候系统的重要影响因素。地基云观测是一种重要的云观测方式，实现地基云图自动分类对气候分析、大气环流模式和数值天气预报等具有重要的意义。目前，国内外均已经着手开展相关领域的研究工作。Buch等人对WSI云图进行了分类，主要考察云图的纹理特征、位置信息和像元亮度信息，纹理特征采用了LAWS纹理分析法。运用二元决策树进行高积云、卷云、层云、积云和晴空等5种天空类型的判断。Singh等人对数字相机得到的云图进行分类，通过自相关法、灰度共生矩阵法、LAWS能量法等提取出上百种云特征，对积云、浓积云、积雨云、天空和其他云类这5种天空类型分类。Calbo等人采用位于不同地区的TSI和WSC所采集的数据，通过抽取原始图像的统计信息、傅里叶变换图像信息和有云无云点的信息对晴空、波状云、卷云、层状云和积状云5类天空类型进行分类。Liu等人提出显著性局部二值模式(Salient Local Binary Pattern，SLBP)来表示云图并对其分类。Shi等人证明了在地基云图分类中使用卷积激活值来表示特征能得到较高的分类准确率。以上方法都是在同一个数据库做训练和测试，只是在所训练的数据库能得到好的分类结果，并不能泛化到其他数据库。在现实生活中，存在着各种各样的地基云图数据库，因为它们是由不同的气象站收集的，在拍摄地点、摄像机的分辨率、光照等方面均存在差异，也就是说每个数据库的地基云图存在很大的差异，而以上方法对于其他数据库均缺少泛化性。

发明内容

本发明的目的是要解决地基云图分类问题，为此，本发明提供一种基于迁移学习的地基云图分类方法。

为了实现所述目的，本发明提出一种基于迁移学习的地基云图分类方法，所述方法包括以下步骤：

步骤S1，构建提取特征的目标网络；

步骤S2，将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；

步骤S3，基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；

步骤S4，将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。

可选地，所述步骤S1包括以下步骤：

步骤S11，选择m个预训练网络模型进行初始化，将预训练网络模型末端的输出个数均修改为地基云图的类别数目D，其中m为自然数，m＝2，3，…；

步骤S12，使用连接函数将所述m个预训练网络模型的输出向量进行连接，得到输出向量f；

步骤S13，将所述输出向量f输入到全连接层中，得到m维向量x；

步骤S14，将所述向量x输入到柔性最大值函数中，得到分类预测值

步骤S15，根据所述分类预测值和预先得到的分类真实值p_i，使用交叉熵损失函数计算损失值Loss，最终构建得到提取特征的目标网络。

可选地，所述步骤S2包括以下步骤：