一种基于迁移学习的地基云图分类方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于迁移学习的地基云图分类方法
本专利技术属于模式识别、人工智能
，具体涉及一种基于迁移学习的地基云图分类方法。
技术介绍
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(SalientLocalBinaryPattern，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。
技术实现思路
本专利技术的目的是要解决地基云图分类问题，为此，本专利技术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，本专利技术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pi，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：步骤S21，将多幅来自源域和目标域的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；步骤S23，将所述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。可选地，m＝2。可选地，所述步骤S23包括以下步骤：步骤S231，将每个图像对的两张图像分别输入到所述目标网络中的两个预训练网络模型中，以权重共享的方式进行前向传播，得到所述向量x，并计算损失值Loss；步骤S232，计算所述损失值Loss的导数，通过反向传播对所述目标网络的参数进行更新，得到所述特征提取训练模型。可选地，所述步骤S3包括以下步骤：步骤S31，将源域和目标域除训练地基云图外的地基云图作为测试地基云图，并获取每幅测试地基云图的类别标签；步骤S32，将所述测试地基云图输入到所述特征提取训练模型中，选择所述特征提取训练模型中的一个卷积层，得到卷积激活图H×W×N，其中，H和W分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目；步骤S32，基于所述卷积激活图中每个位置的N个卷积激活值t∈R1×1拟合得到单高斯模型，进而得到H×W个单高斯模型；步骤S33，根据所述单高斯模型计算每个位置对应的单高斯概率g(ti),i∈[1,N]，并进行权重池化，得到该位置的最终响应G(t)，对于所述卷积激活图，得到一个大小为H×W的响应特征图；步骤S34，将步骤S33计算得到的大小为H×W的响应特征图表示成一个特征向量T∈R(H×W)×1，即每张测试地基云图最终可以表示成特征向量T。可选地，所述分类器为径向基函数核SVM分类器。本专利技术的有益效果为：本专利技术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。需要说明的是，本专利技术得到了国家自然科学基金项目No.61501327、No.61711530240，天津市自然科学基金重点项目No.17JCZDJC30600，天津市应用基础与前沿技术研究计划青年基金项目No.15JCQNJC01700，天津师范大学“青年科研拔尖人才培育计划”No.135202RC1703，模式识别国家重点实验室开放课题基金No.201700001、No.201800002，中国国家留学基金No.201708120040、No.201708120039的资助。附图说明图1是根据本专利技术一实施例的基于迁移学习的地基云图分类方法的流程图。图2是根据本专利技术一实施例构建的目标网络的结构框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。图1是根据本专利技术一实施例的基于迁移学习的地基云图分类方法的流程图，下面以图1为例来说明本专利技术的一些具体实现流程。本专利技术的方法是一种基于迁移学习的地基云图分类方法，其具体步骤包括：步骤S1，构建提取特征的目标网络，图2显示了根据本专利技术一实施例构建的目标网络的结构框图；其中，所述步骤S1包括以下步骤：步骤S11，选择m个深度学习中典型的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，…；在本专利技术一实施例中，m＝2，即选择两个预训练网络模型进行初始化，这两个预训练网络模型的权重共享，所述两个预训练网络模型可以从以下网络模型中选择：CaffeNet、VGG19、ResNet-50；将对7类地基云图进行分类，故D＝7。步骤S12，使用一个连接函数将所述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；在本专利技术一实施例中，m＝2，两个预训练网络模型的输出向量可表示为f1∈RD×1和f2∈RD×1，那么输出向量f可以表示为：f＝(f1-f2)2步骤S13，将所述输出向量f输入到一个全连接层中，得到一本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的地基云图分类方法，其特征在于，该方法包括以下步骤：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。

【技术特征摘要】
1.一种基于迁移学习的地基云图分类方法，其特征在于，该方法包括以下步骤：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。2.根据权利要求1所述的方法，其特征在于，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pi，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。3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：步骤S21，将多幅来自源域和目标域的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；步骤S23，将所述相似图像对和非相似图像对作为所述目标网络的...

【专利技术属性】
技术研发人员：张重，李东红，刘爽，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：天津,12