[发明专利]一种基于深度学习的中尺度涡旋识别方法

说明书

本发明公开了一种基于深度学习的中尺度涡旋识别方法，包括以下步骤：数据获取与准备；数据变换与数据增强；建立基于注意力机制的金字塔场景解析网络模型；对所述的网络模型进行训练；利用训练好的网络模型进行中尺度涡旋识别。本发明利用改进的PSPNet(金字塔场景解析网络)对海面高度数据为内容的二维图像进行分析和识别，从而实现对海洋中尺度涡旋的识别，采用空洞卷积(Dilated Convolution)的ResNet网络作为特征提取网络，同时采用逐点的空间注意力机制神经网络模块，提升金字塔场景解析网络模型的中尺度涡旋的识别性能。

技术领域

本发明属于海洋气象数据分析技术领域，具体涉及一种基于深度学习的中尺度涡旋识别方法。

背景技术

中尺度涡是世界各大洋中无处不在的一种海洋现象，其直径范围从十公里到百公里量级，边缘旋转速度能达到0.5-0.7m/s，并且占据着全球海洋环流中大部分动能。涡旋的垂向深度会影响到几十米到几百米，甚至上千米，从而将海洋深层的冷水和营养盐带到表面，或将海表暖水压入到较深的海洋中，从而影响海洋上混合层，密度跃层甚至更深的海洋。涡旋的高旋转速度和伴随着的强剪切，使其具有很强的非线性，从而具有保存自身特征的记忆性和保守性，使其在全球海洋物质，能量，热量和淡水等的输送和分配中起着不可忽视的作用。因此，海洋涡旋的研究具有非常重要的科学意义和应用价值。海洋中尺度和次中尺度涡旋的研究改变着人们对海洋的传统认识。近25年，高分辨率海洋数值模式和海洋卫星遥感技术(特别是卫星高度计资料)，极大地促进了人类对未知广袤海洋的认知。而最近几年人工智能领域的进步给海洋研究者们带来了新的研究思路。目前，深度学习方法已在遥感资料处理中得到了初步应用，并且取得了良好的效果。因此，研究基于深度学习算法的涡旋识别方法对于涡旋识别，甚至其它海洋现象识别的智能化有重要意义。

语义分割是人工智能领域深度学习的最新趋势之一。深度学习方法通过多层神经网络拟合训练样本(用于建立模型的数据)的分布，提取不同层次的图像特征，解决了传统图像分割问题中细粒度多类别分割等难题。将海面高度(SSH)数据作为二维图像处理，可以将深度学习应用到海洋涡旋检测中。根据涡旋检测的需要，利用海面高度信息和语义分割技术对海洋涡旋进行识别。

金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)是CVPR2017上关于场景解析的文章，拿到了2016年ImageNet比赛中场景解析任务的冠军，参考文献：Zhao,H.,et al.,Pyramid Scene Parsing Network.2016。这个模型技术出发点是在语义分割算法中引入更多的上下文信息，这样能够避免许多误分割，PSPNet在FCN算法的基础上引入更多上下文信息是通过全局均值池化操作(global average pooling)和特征融合实现的，因此特征呈金字塔结构PSPNet算法是目前应用比较广泛的语义分割算法之一，该算法在PASCAL VOC2012测试集上的平均交并比(mIOU)是82.6％。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的中尺度涡旋识别方法，所述方法利用深度学习中的语义分割技术，具体是利用改进的金字塔场景解析网络模型，通过对海面高度数据为内容的二维图像进行处理，从而实现对海洋中尺度涡旋的识别。

基于上述目的，一种基于深度学习的中尺度涡旋识别方法，包括以下步骤：

步骤1，数据获取与准备；

步骤2，数据变换与数据增强；

步骤3，建立基于注意力机制的金字塔场景解析网络模型；

步骤4，对所述的网络模型进行训练；

步骤5，利用训练好的网络模型进行中尺度涡旋识别。

步骤1中所述的数据包括海面高度数据图像和对应的标注；步骤2中对所述的图像数据进行随机水平翻转，随机旋转，随机缩放操作，获得数据增强的效果。