傳統(tǒng)的海洋鋒識別方法依賴于梯度閾值,其將梯度值大于設(shè)定閾值的海域視為存在海洋鋒,但梯度閾值法存在閾值依賴人為設(shè)定且標(biāo)準(zhǔn)不統(tǒng)一,以及復(fù)雜多樣的海洋鋒無法用單一閾值進(jìn)行準(zhǔn)確識別的問題。為此,提出一種融合深度學(xué)習(xí)的自適應(yīng)梯度閾值判別方法。對海溫梯度圖進(jìn)行標(biāo)注,通過Mask R-CNN訓(xùn)練得到海洋鋒像素級識別模型,統(tǒng)計每一類鋒特有的梯度值分布作為該類鋒的基準(zhǔn)梯度閾值,并基于該閾值對像素級的鋒面識別結(jié)果做精細(xì)化調(diào)整,對鋒面識別結(jié)果精度進(jìn)行量化,以提高自適應(yīng)鋒面調(diào)整過程的可靠性。實驗結(jié)果表明,與傳統(tǒng)梯度閾值法及單一的深度學(xué)習(xí)結(jié)果相比,該方法可以實現(xiàn)精細(xì)的海洋鋒識別,且具有良好的獨立性和完整性。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1海陸交界像素細(xì)化過程

梯度計算在每個數(shù)據(jù)點的3×3鄰域中進(jìn)行,在海陸交界部分的數(shù)據(jù)點的鄰域內(nèi)可能同時包含陸地與海洋,為避免梯度計算時交界處海水?dāng)?shù)據(jù)點受到陸地數(shù)據(jù)點的影響,需要事先制定策略:在遍歷數(shù)據(jù)點過程中,首先對當(dāng)前數(shù)據(jù)點歸屬海水還是陸地進(jìn)行判斷,若是陸地數(shù)據(jù)點則直接標(biāo)記,不再進(jìn)行梯度計算;若是海水....

圖2經(jīng)緯范圍為(118°E～131°E,23°N～40°N)的梯度數(shù)據(jù)渲染圖像

在Python3.6環(huán)境下,利用Matplotlib和PIL圖像處理包,將對應(yīng)經(jīng)緯度下的梯度值按實際經(jīng)緯關(guān)系映射為顏色,從而得到梯度值圖片。顏色映射規(guī)則為“jet”顏色圖,輸出圖像大小統(tǒng)一為340像素×260像素。部分梯度值網(wǎng)格數(shù)據(jù)可視化的結(jié)果圖像如圖2所示。海水部分的顏色是通過....

圖3MaskR-CNN網(wǎng)絡(luò)模型架構(gòu)

此外,MaskR-CNN將FasterR-CNN中的RoIPool改進(jìn)為RoIAlign以消除前者的粗糙量化,同時將提取的特征和像素精準(zhǔn)對齊。選取每個RoI分塊中的4個常規(guī)位置,使用雙線性插值計算每個位置的精確值,然后對結(jié)果進(jìn)行匯總。MaskR-CNN網(wǎng)絡(luò)模型架構(gòu)如圖3所示....

圖4MaskR-CNN總體網(wǎng)絡(luò)結(jié)構(gòu)

本文使用基于Python的Tensorflow和Keras構(gòu)建完整的MaskR-CNN結(jié)構(gòu),其結(jié)構(gòu)示意圖如圖4所示。其中,backbone部分由Resnet101和FPN(FeaturePyramidNetwork)組成。3.2樣本建立與模型訓(xùn)練

本文編號：3893608