[发明专利]嵌入超图卷积层的深度学习冰晶粒子图像分类方法

说明书

本发明属于计算机视觉技术领域，公开了一种嵌入超图卷积层的深度学习冰晶粒子图像分类方法。本发明设计并实现了一个嵌入了超图结构的卷积神经网络模型，该超图结构可以有效地从局部和全局特征空间中获取信息，可以更好地捕捉到远端顶点之间的关系，获得更深层的特征信息，有助于学习样本数不平衡的冰晶数据集中小样本的特征，以提高模型的泛化能力，即便在样本分布不均衡数据学习情况下，仍能取得较好的分类效果。本发明可解决传统阈值分类方法中存在的冰晶分类结果具有主观性、不稳定性和预测精度较低的问题，可解决在样本分布不平衡数据集中数据量较少类别的分类精度较低的问题，可使冰晶粒子图像实现较高精度的自动分类。

技术领域

本发明属于计算机视觉技术领域，特别涉及一种嵌入超图卷积层的深度学习冰晶粒子图像分类方法。

背景技术

云的相态通常分为冰云、水云和混合云三种相态，冰云和混合云是产生降水的重要云系，二者的发生频率与降水的发生频率及降水量密切相关。在获得准确的冰晶粒子类别的基础上，可以进一步的计算得出冰云和混合云的各项物理属性，比如云的液水含量、冰水含量、冰晶粒子的尺度以及数浓度等。在了解了冰云和混合云的各项准确的物理属性后，就可以更好的利用云的微物理过程，然后可以用播云等方法来改变云的微观结构，在适当的时候改变天气现象，实现人工影响天气以达到人工降水、防雹、消云等目的。由此可见，实现冰晶粒子图像的准确分类对人工影响天气来说具有重要意义。

传统冰晶粒子分类方法采用阈值设置进行分类（如文献1），需要根据冰晶粒子自身相关的各项属性，如冰晶粒子的周长、半径、面积等属性为条件来辨别冰晶粒子的类别。然而，由于地理气候条件的不同，以及冰晶颗粒物理性质特征的差异会导致冰晶粒子的大小及形状多变，根据专家经验，人为设置各项属性特征的阈值范围，具有主观性和不稳定性，以及存在着难以设定适宜通用阈值的难题，缺乏实用性。

另外，随着深度学习的发展，也出现了用CNN网络来完成冰晶粒子分类任务的方法，如文献2中提出的TL-ResNet152网络，利用深度学习方法和迁移学习方法，将用ImageNet数据集训练得到的预训练ResNet152模型迁移到自建的云粒子数据集上训练，建立了一个云粒子形状自动分类的CNN模型，将云粒子分为玫瑰花结状、玫瑰状、长柱、短柱、空心柱、球状、小不规则状、板状、六角雪花状、复杂状共10类。这一工作细化了冰晶粒子的类别，提升了识别的准确率。

但是，由于天气条件和冰晶形态的不同，得到的冰晶数据集中存在着样本类别不均衡数据，如玫瑰花状、玫瑰状和复杂状样本数量较多，而六角雪花状和空心柱状样本数量较少。众所周知，传统CNN网络的优异性能是建立在丰富数据的基础上的，面对数据分布不均衡的数据集，传统CNN网络模型更倾向于学习多类样本的特征而忽视小类样本的特征，导致训练的传统CNN网络模型易将样本都预测为多类样本，难以识别小类样本，而小类样本往往更具价值。所以，由于冰晶数据集中样本分布不均衡这一原因，导致了传统CNN网络模型在小样本类别上的分类精度较低。

综上所述，针对冰晶粒子图像的分类任务目前还存在以下问题：1）传统阈值分类方法根据专家经验，人为设置各项属性特征的阈值范围，具有主观性和不稳定性，以及存在着难以设定适宜通用阈值的难题，缺乏实用性；2）现有基于传统CNN网络的冰晶粒子图像分类方法，由于数据集样本分布不均衡，在小样本类别上的分类精度较低。

为解决上述问题，本发明提供了一种嵌入超图卷积层的深度学习冰晶粒子图像分类方法，设计了一个嵌入超图结构的卷积神经网络。该超图结构可以有效地从局部和全局特征空间中获取信息，可以更好地捕捉到远端顶点之间的关系，获得更深层的特征信息，有助于学习样本数不平衡的冰晶数据集中小样本的特征，以提高模型的泛化能力，即便在样本分布不均衡数据学习情况下，仍能取得较好的分类效果。本发明可解决传统阈值分类方法中存在的冰晶分类结果具有主观性、不稳定性和预测精度较低的问题，可解决在样本分布不平衡数据集中数据量较少类别的分类精度较低的问题，可使冰晶粒子图像实现较高精度的自动分类。

涉及的文献如下: