[发明专利]基于可变形卷积网络的流场识别方法

说明书

本发明公开了一种基于可变形卷积网络的流场识别方法，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。本发明首先，利用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；其次，将预训练网络的全连接层更换成卷积层，并利用迁移学习思想，将预训练得到的权重参数迁移到识别模型中；最后，在网络中引入可变形卷积提取图像特征，并通过密集预测对图像进行逐像素分类，实现流场识别。

技术领域

本发明属于流场识别领域，具体涉及一种基于可变形卷积网络的流场识别方法。

背景技术

流场数据是记录流体质点运动情况的数据，描述的是流体运动的空间分布。其中速度、压强、温度等物理量可能发生变化，比如空间下某个地方由于速度、压强变化而发生畸变，易形成例如涡流等复杂且具有不规则形状的特征结构，而这些特征结构是研究人员所关注的重点信息，在空气动力学、流场观测、火焰燃烧以及风洞实验等研究领域发挥着重要作用，例如可基于空气动力学(流体力学的分支)原理进行飞行器的飞行模拟计算，以替代部分风洞试验和飞行试验，降低研究和实验成本。

在科学技术不断发展的现在，产生的流场数据的复杂度越来越高，对于流场数据的计算精度不断提高，相应的对这些流场数据的分析和处理操作也越来越复杂，为流场数据特征结构的提取带来巨大的挑战。因此对流场数据进行探索与研究，具有非常重要的现实意义。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于可变形卷积网络的流场识别方法。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于可变形卷积网络的流场识别方法，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。

上述方案中，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。

上述方案中，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。

上述方案中，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。

上述方案中，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。