基于深度學(xué)習(xí)的極光影像分類方法研究
發(fā)布時間:2023-02-05 16:36
當(dāng)太陽風(fēng)充分?jǐn)_動地球磁層時,來自地球磁層和太陽風(fēng)中的高能帶電粒子與上層大氣層中的原子以及分子發(fā)生相互碰撞,釋放出各種可見光,這些可見光就構(gòu)成了絢麗多彩的極光。不同的極光形態(tài)對應(yīng)著不同的空間物理現(xiàn)象,因此極光影像分類有著重要的研究意義。深度學(xué)習(xí)技術(shù)近年來得到迅速發(fā)展,并成功應(yīng)用于計(jì)算機(jī)視覺和模式識別等領(lǐng)域。基于此,本論文開展了基于深度學(xué)習(xí)的極光影像分類方法研究。為了實(shí)現(xiàn)極光圖像分類,本文提出了基于多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類方法。首先,在專家眼動數(shù)據(jù)的引導(dǎo)下進(jìn)行圖像塊的提取和優(yōu)選。然后,利用自編碼器從提取到的圖像塊中學(xué)習(xí)特征,并用學(xué)到的特征對卷積神經(jīng)網(wǎng)絡(luò)首個卷積層的卷積核進(jìn)行初始化。最后,設(shè)計(jì)了多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò),通過改變首個卷積層上卷積核的大小,在不同尺度進(jìn)行特征學(xué)習(xí),并實(shí)現(xiàn)對極光圖像的分類。實(shí)驗(yàn)結(jié)果表明,該方法能夠有效地從極光圖像中學(xué)習(xí)特征,并且在極光圖像分類數(shù)據(jù)庫上獲得了較高的分類準(zhǔn)確率。雖然專家眼動注視圖能夠輔助我們進(jìn)行極光數(shù)據(jù)分析,但是眼動數(shù)據(jù)的獲取較為耗時耗力,因此需要根據(jù)現(xiàn)有眼動數(shù)據(jù)學(xué)習(xí)專家在觀察極光圖像時的認(rèn)知過程,對極光專家眼動注視圖進(jìn)行預(yù)測。為此,本文...
【文章頁數(shù)】:72 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究進(jìn)展及現(xiàn)狀
1.3 論文研究內(nèi)容與安排
第二章 基于多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類
2.1 引言
2.2 理論基礎(chǔ)
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.2.2 自編碼器
2.2.3 人類視覺注意力機(jī)制和眼動追蹤技術(shù)
2.3 基于多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類
2.3.1 眼動信息引導(dǎo)的圖像塊提取
2.3.2 基于圖像塊特征的卷積神經(jīng)網(wǎng)絡(luò)初始化
2.3.3 多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)
2.4 實(shí)驗(yàn)結(jié)果與分析
2.5 本章小結(jié)
第三章 基于全卷積神經(jīng)網(wǎng)絡(luò)的極光專家眼動注視圖預(yù)測
3.1 引言
3.2 理論基礎(chǔ)
3.2.1 全卷積神經(jīng)網(wǎng)絡(luò)
3.2.2 條件隨機(jī)場
3.3 基于全卷積神經(jīng)網(wǎng)絡(luò)的極光專家眼動注視圖預(yù)測
3.3.1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建
3.3.2 基于量化輸入的非監(jiān)督預(yù)訓(xùn)練
3.3.3 基于分級二值注視圖的全卷積網(wǎng)絡(luò)訓(xùn)練
3.3.4 基于條件隨機(jī)場的預(yù)測結(jié)果融合
3.4 實(shí)驗(yàn)結(jié)果與分析
3.5 本章小結(jié)
第四章 基于空時域深度神經(jīng)網(wǎng)絡(luò)的極光序列分類
4.1 引言
4.2 理論基礎(chǔ)
4.2.1 長短時記憶網(wǎng)絡(luò)
4.2.2 圖像顯著區(qū)域檢測
4.3 基于空時域深度神經(jīng)網(wǎng)絡(luò)的極光序列分類
4.3.2 空域分類網(wǎng)絡(luò)
4.3.3 時域分類網(wǎng)絡(luò)
4.3.4 網(wǎng)絡(luò)融合
4.4 實(shí)驗(yàn)結(jié)果與分析
4.5 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
致謝
作者簡介
本文編號:3735312
【文章頁數(shù)】:72 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究進(jìn)展及現(xiàn)狀
1.3 論文研究內(nèi)容與安排
第二章 基于多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類
2.1 引言
2.2 理論基礎(chǔ)
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.2.2 自編碼器
2.2.3 人類視覺注意力機(jī)制和眼動追蹤技術(shù)
2.3 基于多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類
2.3.1 眼動信息引導(dǎo)的圖像塊提取
2.3.2 基于圖像塊特征的卷積神經(jīng)網(wǎng)絡(luò)初始化
2.3.3 多尺度卷積核卷積神經(jīng)網(wǎng)絡(luò)
2.4 實(shí)驗(yàn)結(jié)果與分析
2.5 本章小結(jié)
第三章 基于全卷積神經(jīng)網(wǎng)絡(luò)的極光專家眼動注視圖預(yù)測
3.1 引言
3.2 理論基礎(chǔ)
3.2.1 全卷積神經(jīng)網(wǎng)絡(luò)
3.2.2 條件隨機(jī)場
3.3 基于全卷積神經(jīng)網(wǎng)絡(luò)的極光專家眼動注視圖預(yù)測
3.3.1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建
3.3.2 基于量化輸入的非監(jiān)督預(yù)訓(xùn)練
3.3.3 基于分級二值注視圖的全卷積網(wǎng)絡(luò)訓(xùn)練
3.3.4 基于條件隨機(jī)場的預(yù)測結(jié)果融合
3.4 實(shí)驗(yàn)結(jié)果與分析
3.5 本章小結(jié)
第四章 基于空時域深度神經(jīng)網(wǎng)絡(luò)的極光序列分類
4.1 引言
4.2 理論基礎(chǔ)
4.2.1 長短時記憶網(wǎng)絡(luò)
4.2.2 圖像顯著區(qū)域檢測
4.3 基于空時域深度神經(jīng)網(wǎng)絡(luò)的極光序列分類
4.3.2 空域分類網(wǎng)絡(luò)
4.3.3 時域分類網(wǎng)絡(luò)
4.3.4 網(wǎng)絡(luò)融合
4.4 實(shí)驗(yàn)結(jié)果與分析
4.5 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
致謝
作者簡介
本文編號:3735312
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3735312.html
最近更新
教材專著