一种基于CNN和Transformer的地基云图云类识别方法，包括以下步骤：S1，获取待识别的地基云图；S2，将待识别的地基云图输入至训练好的基于CNN和Transformer的地基云图分类网络模型中，以对地基云图进行云类识别；所述模型包括语义信息分支、全局信息分支和分类器；本发明专利技术中模型的语义信息分支最终能够在待识别的地基云图的特征信息中得到目标特征，语义信息分支采用了分组卷积和膨胀卷积，能够提升语义信息特征提取的全面性，并通过注意力模块提高了模型对细节特征的提取能力，为提升深层语义信息的提取效率，消除无用的特征信息，采用了特征复用模块和邻域消除模块，提高了模型的识别准确率和效率。
【技术实现步骤摘要】
本专利技术涉及人工智能识别云类，具体的说是一种基于cnn和transformer的地基云图云类识别方法。
技术介绍
1、云是大量可见的物质的聚集，如大气中的小水滴或冰晶等，他们在地球的大气运动中扮演着重要的角色。同时云作为地球热力平衡和水气循环的重要组成部分，其数量、形态及变化等反映了大气运动的稳定程度及地表系统辐射的收支情况，是预示未来天气变化的重要因素。准确地获取云的信息，可以有效帮助提升天气预报的准确性、气候模型预测的有效性和理解全球气候变化，在天气预报、飞行保障及国民经济建设等诸多领域都具有十分明显的作用和意义，因此，云的观测对天气预报精度的提升是至关重要的。
2、目前，在对云进行分类时依赖于地基云图，地基云图观测主要是通过全天空成像仪拍摄所得，其相较于卫星云图观测具有成本低、分辨率高以及角度固定等优点。地基云图的背景只有颜色单一的天空，很大程度上避免了背景对云的干扰。而早期对地基云图的观测识别依赖于气象观测者的人工识别，分类效果会因观测者的经验而有所不同。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供一种基于cnn和transformer的地基云图云类识别方法，本方法通过语义信息分支以及全局信息分支，能够提高训练后的模型对地基云图云类识别的效率以及准确率。
2、本专利技术为解决上述技术问题所采用的技术方案为：一种基于cnn和transformer的地基云图云类识别方法，包括以下步骤：
3、s1，获取待识别的地基云图；
4、s2，将待识别的地基云图输入至训练好的基于cnn和transformer的地基云图分类网络模型中，以对地基云图进行云类识别；
5、所述模型包括语义信息分支、全局信息分支和分类器；
6、所述语义信息分支包括特征提取单元、下采样单元、特征融合单元和输出层，特征提取单元用于提取待识别的地基云图的特征信息；下采样单元用于将所述特征信息进行下采样处理得到下采样数据；特征融合单元用于将所述下采样数据进行特征融合得到目标信息；输出层用于对目标信息进行处理得到目标特征；
7、所述全局信息分支包括输入层、注意力单元和输出单元，输入层用于将待识别的地基云图进行处理得到空间图像块；注意力单元包括拼接模块和至少两个注意力模块；拼接模块用于将空间图像块转换成空间特征向量，并将空间特征向量进行拼接，拼接结果依次通过所有注意力模块处理；输出单元用于对最后一个注意力模块的输出进行处理得到全局输出特征；
8、所述分类器用于融合所述目标特征和所述全局输出特征得到中间结果，并对中间结果识别得到云类。
9、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述注意力模块包括偏移窗口子模块和多个窗口多头注意力子模块，窗口多头注意力子模块通过多个尺寸相同的窗口对所述拼接结果进行划分并进行自注意力计算，偏移窗口子模块用于偏移所述窗口。
10、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述窗口多头注意力子模块对所述拼接结果或计算结果进行划分并进行自注意力计算、以及偏移窗口子模块偏移所述窗口的具体方法为：
11、
12、
13、
14、zl+1＝mlp(ln(zl+1))+zl+1；
15、式中：zl和代表l层下自注意力和mlp的输出特征，w-msa是窗口多头注意力子模块，mlp是多层感应器，ln是层归一化处理，sw-msa是偏移窗口子模块。
16、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述自注意力计算过程中添加相对位置偏置b来计算每个head的相似性，具体计算公式如下：
17、
18、式中：代表query、key、value矩阵；d代表q/k的维度；m2代表一个窗口中包含的空间图像块的数量。
19、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述特征提取单元用于提取待识别的地基云图的特征信息的具体方法包括：
20、对待识别的地基云图进行前置处理操作后得到原始数据；
21、将原始数据通过1×1卷积得到基本数据，将基本数据平均分成三组；
22、第二组基本数据和第三组基本数据均通过3×3卷积、膨胀卷积和1×1卷积操作后通过通道混合对第一组基本数据、第二组基本数据和第三组基本数据进行特征融合，得到混合数据；
23、将混合数据进行降维并与原始数据相加得到待识别的地基云图的特征信息。
24、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述第二组基本数据和第三组基本数据膨胀卷积的膨胀系数分别为2和3。
25、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述下采样单元用于将所述特征信息进行下采样处理得到下采样数据具体为：
26、将输入的特征信息按通道平均分为四组；
27、第一组特征信息通过跳跃连接的方式进行连接、第二组特征信息通过平均池化、第三组特征信息通过最大池化、第四组特征信息通过3×3卷积，每组特征信息分别进行局部区域信息和轮廓信息的提取，然后均与第一组特征信息通过通道融合运算得到输出的特征信息，然后将输出的特征信息与待识别的地基云图融合得到下采样数据。
28、作为专利技术一种基于cnn和transformer的地基云图云类识别方法的进一步优化：所述下采样单元中加入eca注意力模块。
29、有益效果：本专利技术中的模型的语义信息分支最终能够在待识别的地基云图的特征信息中得到目标特征，语义信息分支采用了分组卷积和膨胀卷积，能够提升语义信息特征提取的全面性，并通过注意力模块提高了模型对细节特征的提取能力，为提升深层语义信息的提取效率，消除无用的特征信息，采用了特征复用模块和邻域消除模块，提高了模型的识别准确率和效率；
30、模型的全局信息分支能够将待识别的地基云图进行处理得到空间图像块，然后经过处理最终得到全局输出特征，减少模型计算量的同时使模型能够更容易获取到全局输出特征。
本文档来自技高网...
【技术保护点】
1.一种基于CNN和Transformer的地基云图云类识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述注意力模块包括偏移窗口子模块和多个窗口多头注意力子模块，窗口多头注意力子模块通过多个尺寸相同的窗口对所述拼接结果进行划分并进行自注意力计算，偏移窗口子模块用于偏移所述窗口。
3.如权利要求2所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述窗口多头注意力子模块对所述拼接结果或计算结果进行划分并进行自注意力计算、以及偏移窗口子模块偏移所述窗口的具体方法为：
4.如权利要求2所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述自注意力计算过程中添加相对位置偏置B来计算每个head的相似性，具体计算公式如下：
5.如权利要求1所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述特征提取单元用于提取待识别的地基云图的特征信息的具体方法包括：
6.如权利要求5所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述第二组基本数据和第三组基本数据膨胀卷积的膨胀系数分别为2和3。
7.如权利要求1所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述下采样单元用于将所述特征信息进行下采样处理得到下采样数据具体为：
8.如权利要求7所述的基于CNN和Transformer的地基云图云类识别方法，其特征在于，所述下采样单元中加入ECA注意力模块。
...
【技术特征摘要】
1.一种基于cnn和transformer的地基云图云类识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于cnn和transformer的地基云图云类识别方法，其特征在于，所述注意力模块包括偏移窗口子模块和多个窗口多头注意力子模块，窗口多头注意力子模块通过多个尺寸相同的窗口对所述拼接结果进行划分并进行自注意力计算，偏移窗口子模块用于偏移所述窗口。
3.如权利要求2所述的基于cnn和transformer的地基云图云类识别方法，其特征在于，所述窗口多头注意力子模块对所述拼接结果或计算结果进行划分并进行自注意力计算、以及偏移窗口子模块偏移所述窗口的具体方法为：
4.如权利要求2所述的基于cnn和transformer的地基云图云类识别方法，其特征在于，所述自注意力计算过程中...
【专利技术属性】
技术研发人员：付主木，翟坤宁，王秀菊，陶发展，朱龙龙，宋书中，高颂，王俊，孙力帆，王楠，杨艺，陈灵峰，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。