[发明专利]一种基于任务图卷积网络的地基云分类方法

说明书

本发明实施例公开了一种基于任务图卷积网络的地基云分类方法，该方法包括：对输入地基云图像进行预处理，得到预处理地基云图像，将其输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；基于任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征、基于图卷积的特征和融合特征表示；根据融合特征表示训练支持向量机分类器，得到地基云分类模型；获取测试输入地基云图像的融合特征表示，将其输入至地基云分类模型中，得到分类结果。本发明具充分利用基于卷积神经网络的特征和基于图卷积网络的互补信息，有效挖掘两者的相关性，提取出更高辨别性的融合特征，进而提高地基云分类的正确率。

技术领域

本发明属于模式识别、气象科学、人工智能技术领域，具体涉及一种基于任务图卷积网络的地基云分类方法。

背景技术

云是大气中的水蒸气遇冷液化成的小水滴或凝华成的小冰晶所混合组成的漂浮在空中的可见聚合物，60％以上的地球表面都覆盖有云。云在水循环、地表辐射平衡和气候建模中具有重要作用。因此，了解云具有重要意义。

云高、云量和云类别是云观测的三个主要方面且近年来得到学术界的广泛关注。但是，由于云状变幻莫测，云状分类始终是一个难题。用来采集云观测数据的设备已被研发出来，这些设备包括基于卫星的设备和基于地表的设备。基于卫星的设备可以采集大范围的云信息，但空间分辨率有限，不足以描述局部地区的云状特征。与之相比，全天空成像仪、总天空成像仪等基于地面的设备能够采集到具有高分辨率的地基云图像，这为监测和了解局部天空提供了可靠的数据。

得益于大量地基云图像，许多研究者提出用纹理、颜色、结构等手工设计的特征实施云状分类。近年来，深度学习在许多领域都取得了显著成果。受此启发，研究者们也开始利用卷积神经网络(CNN)对地基云进行自动分类。Shi等人将平均池化或最大池化作用于每个卷积激活图，然后提取基于卷积激活的特征并对地基云进行分类。Ye等人从卷积神经网络的多个卷积层提取特征并选择出具有代表性的局部描述子，然后用Fisher向量对选择的局部描述子进行编码，并作为地基云图的特征表示。Zhang等人提出显著二重激活聚集算法，该算法从浅层卷积层中提取显著向量特征，并从高层卷层中提取相应的权重。Li等人提出二重监督损失函数将不同网络的知识结合在一起，通过对难分类样本赋予较大的权重来提高地基云分类的准确率。

然而，现存方法忽略了云图的本质数据结构，从而无法充分的学习到云图的特征表示。现有方法直接将地基云图像和相对应的标签直接输入到深度模型中，由于没有考虑到地基云图像之间的相关性，因此不能学习到云图的本质数据结构。云是一种自然纹理，内类差距大，类间差距小。因此，很有必要建立地基云图像之间的相关性，使来自同一类的云图具有较大的相关性，来自不同类的云图具有较小的相关性，进而挖掘出云图潜在的结构信息，最终学习到具有判别性的地基云特征。

近年来，研究者提出用图卷积网络(GCN)学习不规则数据结构的相关性，并且已将图卷积网络成功运用于行为识别、文本分类和图像识别等领域。一般来说，图卷积网络的构建遵循基于谱的原则和基于空间的原则。基于谱的图卷积根据图傅里叶变换实施图卷积，而基于空间的图卷积网络人为设计图卷积作用于图结点和邻域上。因此，可以从空间的角度出发，利用图卷积网络将地基云图像的相关信息融入到深度学习网络中。

发明内容

本发明的目的是要解决地基云分类困难的问题，为此，本发明提供一种基于任务图卷积网络的地基云分类方法。

所述方法包括以下步骤：

步骤S1，获取输入地基云图像，对所述输入地基云图像进行预处理，得到预处理地基云图像，作为任务图卷积网络的输入；

步骤S2，将所述预处理地基云图像输入至任务图卷积网络训练模型中，训练得到任务图卷积网络；

步骤S3，基于所述任务图卷积网络提取得到每幅输入地基云图像的基于卷积神经网络的特征和基于图卷积的特征，以及每幅输入地基云图像的融合特征表示；