[发明专利]基于可变形卷积网络的流场识别方法

权利要求书

1.一种基于可变形卷积网络的流场识别方法，其特征在于，该方法为：

所述通过已有数据集对预训练网络进行预训练；

将预训练网络的全连接层更换成卷积层，通过迁移学习思想，将预训练后获得的权重参数迁移到流场识别模型中；

通过所述流场识别模型对图像进行逐像素分类实现流场识别；

所述将预训练网络的全连接层更换成卷积层，通过迁移学习思想，将预训练后获得的权重参数迁移到流场识别模型中，具体为：假设卷积网络最后一层卷积结束后得到n×n的深层特征图，通过x个n×n的卷积核、以步长为1进行卷积，得到1×x的一维向量，表示x个类别的概率；而在全卷积网络中，前面的卷积操作不变，将最后的全连接层转换为x个卷积核大小为(1,1)的卷积层；通过迁移学习思想，将预训练模型的网络参数与微调后的全卷积网络迁移至流场识别模型中，进一步训练；

所述通过所述流场识别模型对图像进行逐像素分类实现流场识别，具体为：通过可变形卷积提取图像特征，通过密集预测对提取的图像特征进行逐像素分类，实现流场识别。

2.根据权利要求1所述的基于可变形卷积网络的流场识别方法，其特征在于，所述通过已有数据集对预训练网络进行预训练，具体为：通过预训练网络对已有数据集进行图像深层特征提取，并不断迭代学习，自动调整网络参数；即，以卷积网络作为预训练模型，在已有数据集上进行训练，通过正向传播提取图像多层次特征，通过反向传播实现迭代学习与调整参数。

3.根据权利要求2所述的基于可变形卷积网络的流场识别方法，其特征在于，所述通过已有数据集对预训练网络进行预训练，具体为：在正向传播过程中，将图片输入预训练网络，经过网络的卷积层和池化层，分别进行卷积与最大池化操作，分别与大小为3×3的卷积核、以步长为1进行卷积，与大小为2×2的卷积核、以步长为2进行最大池化，通过卷积与池化操作提取不同层次的图像特征，浅层卷积网络提取的是图像的浅层细节特征，随着网络的加深，卷积层获得图像的深度特征图，提取了深层语义信息；在反向传播过程中，通过梯度下降法，即对参数求偏导更新权重参数，并反向将参数回传，实现不断迭代学习，自动调整网络参数。

4.根据权利要求3所述的基于可变形卷积网络的流场识别方法，其特征在于，所述通过可变形卷积提取图像特征，具体为：规则的二维卷积使用规则网格G_g在输入特征图上进行采样，并采用双线性差值法W对采样值总和进行加权，网格G_g定义了感受野大小；而可变形卷积使用位移{ΔP_n|n＝1,...,N_g}增强网格G_g，表示可变形卷积在不规则且位移像素位置P_n+ΔP_n上进行采样，其中N_g＝|G_g|，即可变形卷积与规则卷积的网格数相同，对于输出特征图I的每个像素点位置P₀可用式(1)表示：

其中，x表示输入的特征图，P_n是G_g中位置枚举；

其中，P＝P₀+P_n+ΔP_n，表示可变形卷积对特征图做卷积操作的像素点位置，即G_g中位置枚举，q表示输入特征图的所有像素点位置，W(P_n)＝D(q,P)是二维的双线性插值核函数，可分成两个一维核函数：

D(q,P)＝D₁(q_x,P_x)·D₁(q_y,P_y)    (3)

其中，D₁(a,b)＝max(0,1-|a-b|)，即D(q,P)＝max(0,1-|q_x-P_x|)·max(0,1-|q_y-P_y|)；根据双线性差值逐层计算特征图提取图像特征。