基于迁移学习方法的山东冷云冰晶特征分布研究

为分析冷云中冰晶的分布特征,揭示冰晶增长演变机制,根据冰晶形状和尺度特征分为8类并进行标注,同时标注1类隔断栏进行数据质量控制,将9类标签图像整合并建立图像集,利用迁移学习VGGNet16方法进行识别训练,经训练模型分类准确率达98%。将模型应用到秋季冷云冰晶特征研究中,选取3次积层混合云和3次层状云降水过程,分析冰晶形状在不同温度区间的占比及冰晶谱变化特征,结果表明,温度通过影响冰晶基面与棱面的比值来决定冰晶初始形状分布,相同温度区间积层混合云内球状冰晶和线型冰晶占比高于层状云,低于-12℃后各类冰晶占比相对固定;积层混合云内线型冰晶直径集中在300~800 μm,冰晶谱呈多峰分布,聚合体直径大于600 μm,冰晶谱首尾两端浓度相当,球状冰晶直径集中在120～300 μm,冰晶谱呈单调下降趋势。     

卷积神经网络在大规模图像分类中的应用

针对大规模无序图像分类处理中成对图像的匹配和几何验证的计算量大的问题,该文通过研究和学习机器学习及图像识别领域先进的方法,提出了一种基于孪生神经网络的大规模图像有序化方法。该算法主要是:通过抽取已训练好的VGG19的网络模型的卷积层作为图像的特征,将提出的特征分别加权后,连接起来,再次卷积和池化,利用响应函数判定图像之间连通性,实现对输入图像对连通性判定。经实验证明,该算法可有效地识别具有场景重叠的图像对,效率和精度上也有所提高,无须执行详尽的推定匹配和几何验证,适用于运动恢复结构,图像连接等各种场景。