基于深度度量学习的卫星云图检索

TP751; 针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法.首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征.鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图.在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度.在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率.实验结果表明...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 49; no. 4; pp. 15 - 25
Main Authors 金柱璋, 方旭源, 黄彦慧, 尹曹谦, 金炜
Format Journal Article
LanguageChinese
Published 宁波大学信息科学与工程学院,浙江 宁波 315211 25.04.2022
Subjects
三元组损失
卫星云图检索
度量学习
深度学习
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2022.210307

Cover

More Information
Summary:TP751; 针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法.首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征.鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图.在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度.在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率.实验结果表明,在东南沿海云图数据集和北半球区域云图数据集上,本文算法的平均精度均值(mean average precision,mAP)分别达到75.14％和80.14％,优于其他对比方法.
ISSN:1003-501X
DOI:10.12086/oee.2022.210307