發(fā)布時間：2020-06-19 01:17

【摘要】：極光是一種出現(xiàn)在地球南北兩極高緯度地區(qū)絢麗多彩的發(fā)光現(xiàn)象,是極區(qū)日地物理過程(特別是磁層-電離層相互作用)的最集中的表現(xiàn)形式。通過對極光的長期觀測和研究,有助于人們分析極光的發(fā)生機制和理解極光快速復雜的演變過程,對研究地球磁場變化和日地空間電磁活動有著非常重要的意義。我國每年通過光學成像儀采集的全天空極光圖像數(shù)以百萬,僅用人眼去觀察海量極光圖像的方式顯得尤為繁重。因此,如何對這些海量的極光圖像進行高效、準確地分類和分割是極光研究領域的重要課題。本文針對極光圖像的特點分別提出了一種極光圖像自動分類方法和一種弱監(jiān)督極光圖像自動分割策略。在極光圖像自動分類方法研究中,本文將空間轉換網(wǎng)絡(Spatial Transformer Networks,STN)與卷積神經(jīng)網(wǎng)絡(Convolutionalneuralnetwork,CNN)結合,為了使網(wǎng)絡模型在訓練過程中可以自適應對極光圖像進行空間變換;采用Large-margin softmax(L-softmax)損失函數(shù)對分類模型監(jiān)督優(yōu)化,使得同屬于一類極光類型之間的類內距離越來越小,不屬于同一類極光類型之間的類間距離越來越大。本文利用2003-2009年北極黃河站越冬觀測的10184幅全天空極光圖像進行了分類實驗,通過特征可視化分析和準確率比較,實驗結果顯示,本文提出的方法表征能力更強,分類準確率更高。在弱監(jiān)督極光圖像自動分割策略研究中,本文將全卷積神經(jīng)網(wǎng)絡作為基礎網(wǎng)絡架構,通過傳統(tǒng)機器學習種子區(qū)域生長算法(Seeded Region Growing,SRG)生成數(shù)據(jù)標簽,極大解決了深度學習圖像分割網(wǎng)絡人工標注數(shù)據(jù)難的壓力。首先利用簡單單弧狀極光圖像訓練一個初始分割模型Model1,然后基于該模型,結合熱點狀和復雜多弧狀極光圖像獲得一個增強的分割模型Mode12,最后對分割結果做進一步優(yōu)化。本文利用2003-2007年北極黃河站越冬觀測的2715幅全天空極光圖像進行了分割實驗,并和最新論文結果及人工標簽進行了定性和定量比較,其中分割結果與人工標簽的“交并比”高達60%,證明了本文訓練策略的有效性。
【學位授予單位】：陜西師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP181;P353.6
【圖文】：

邐陜西師范大學碩士學位論文邐逡逑站極光全天空光學成像系統(tǒng)［２］，其中北極黃河站的光學成像系統(tǒng)可以對４２７．８ｎｍ、逡逑５５７．７ｎｍ和６３０．０ｎｍ三個波段的極光同步進行全天空觀測，如圖ｌ－ｌ（ａ）所示，該觀逡逑測系統(tǒng)為我國極光研究學者提供了豐富可靠的極光圖像數(shù)據(jù)，極大促進了我國對逡逑極光的研究進程。２００９年底我國又用四臺極光ＣＣＤ成像儀對南極中山站安裝的極逡逑光全天空成像儀（Ａｌｌ－ｓｋｙ邋ｉｍａｇｅｒ，邋ＡＳＩ）進行了升級改造，可以同時觀測１８０°，４７°，逡逑１９°和８°等多波段、多視野范圍內的極光結構，如圖ｌ－ｌ（ｂ）所示（圖中黃色圓圈分逡逑別表示右邊相鄰極光圖像的視野范圍在當前圖像中的位置），這一升級改造也標志逡逑著我國在極光觀測領域的研究中己取得了長足的進步。另外，我國的黃河站和中山逡逑站因地處同一條磁力線兩端附近，具有非常好的共軛條件，這使得我國在極光共軛逡逑觀測及相關研究方面具有得天獨厚的優(yōu)勢。本文對全天空極光圖像的分類和分割逡逑研究是來自測邐的。逡逑

（Ｒｅｓｉｄｕａｌ邋Ｃｏｎｎｅｃｔｉｏｎ）進行了融合，進一步提高了整個網(wǎng)絡模型的訓練速度。２０１５逡逑年，何愷明等人［２５］提出了邋ＲｅｓＮｅｔ網(wǎng)絡架構，該網(wǎng)絡設計了一種殘差連接，其主要逡逑是利用恒等映射思想，將原始需要學習的函數(shù)Ｈ（ｘ）轉換成Ｆ0ｃ；）邋＋邋；ｃ，如圖２－１所逡逑示，該殘差連接不僅解決了因網(wǎng)絡深度而導致的網(wǎng)絡性能退化問題，極大解決了深逡逑層網(wǎng)絡難于訓練的問題。更重要的是，它有效地解決了網(wǎng)絡模型在反向傳播的過程逡逑中，會因網(wǎng)絡層數(shù)太深，導致比較靠前的網(wǎng)絡層參數(shù)梯度值很小，甚至消失的問題。逡逑最近幾年，ＤｅｎｓｅＮｅｔｐ６』、ＲｅｓＮｅＸｔ［２７］等網(wǎng)絡模型也基于ＲｅｓＮｅｔ殘差網(wǎng)絡的思想進逡逑行了優(yōu)化改進和創(chuàng)新，并在一些公開數(shù)據(jù)集上取得了更好的圖像分類結果。逡逑權重層邐＼逡逑７（ｘ）邐［ｒｅ＼ｕ邐Ｊ邋ｘ逡逑￣￣１邋ｊ恒等式逡逑Ｊ－（ｘ）邋＋邋ｘ逡逑｜ｒｅｌｕ逡逑圖２－１邋ＲｅｓＮｅｔ殘差網(wǎng)絡模塊逡逑Ｆｉｇ．邋２－１邋ＲｅｓＮｅｔ邋Ｒｅｓｉｄｕａｌ邋ｎｅｔｗｏｒｋ邋ｍｏｄｕｌｅ逡逑不難發(fā)現(xiàn)，以上研[偩腔冢粒歟澹危澹敉緙芄菇懈慕嘔模酥�，辶x涎繡癡咼且渤⑹宰磐ü恍┏９嫻母慕椒ɡ刺岣咄繽枷穹擲嘧既仿省＠

本文編號：2720100