买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中科星图维天信科技股份有限公司

摘要：本公开的实施例提供了一种基于maskrcnn深度学习的热带气旋中心定位与定强方法，应用于卫星遥感监测灾害技术领域。所述方法包括对采集的静止卫星大气窗区通道遥感图像、水汽吸收带通道遥感图像和多源卫星融合的海面风场图像进行预处理，制作训练样本标签；输入训练样本标签，调参，迭代训练直至模型收敛且无过拟合，构建基于maskrcnn深度学习的训练模型；热带气旋中心定位定强预测；根据前一时刻的热带气旋历史路径订正有多个热带气旋云系的预测结果，或者剔除错误识别的非热带气旋云系，并进行精度评价。以此方式，可以一次实现对热带气旋云系识别及中心定位预测与热带气旋定强预测，并提高无眼热带气旋云系整个发展阶段的中心定位与定强的准确率。

主权项：1.一种基于maskrcnn深度学习的热带气旋中心定位与定强方法，其特征在于，包括：卫星图像处理及训练样本标签制作：对采集的静止卫星大气窗区通道遥感图像、水汽吸收带通道遥感图像和多源卫星融合的海面风场图像进行预处理，制作热带气旋中心定位定强训练样本标签；深度学习训练模型构建：输入训练样本标签，调参，迭代训练直至模型收敛且无过拟合，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型；所述深度学习训练模型构建过程，包括：预先设置热带气旋中心定位定强目标检测卷积网络结构的初始化参数；模型训练过程中，对热带气旋中心定位定强卷积网络结构的参数进行调整；改造优化热带气旋中心定位定强目标检测maskrcnn网络结构；将训练样本标签输入到热带气旋中心定位定强卷积网络结构进行模型训练和验证；计算对训练集的预测结果和真实标签之间的焦点损失，得到拟合误差，利用Adam优化器最小化误差；不断迭代重复上述过程，直至模型训练和验证误差收敛，训练集和验证集的损失值趋于稳定，且训练集和验证集的准确率大于等于预设阈值时，完成热带气旋中心定位定强模型的样本学习，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型；对热带气旋中心定位定强卷积网络结构进行模型训练和验证的过程包括：采用适应性矩估计Adam优化器最小化误差，与批量归一化层结合，遍历训练集迭代地更新神经网络权重直至收敛，遍历1轮训练集上的所有最小批作为1个训练轮数，Adam优化计算公式和参数设置如下： mt＝β1mt-1+1-β1gt 其中，表示损失函数的导数，即梯度；t表示训练集最小批的个数；超参数α表示学习率，随着训练轮数而衰减；β1表示一阶矩估计的指数衰减率，β2表示二阶矩估计的指数衰减率；ε参数表示在训练中除数为零时添加的非常小的值；ftθ表示随机目标函数；其他参数分别为初始化参数向量θ、一阶矩向量mt-1、二阶矩向量vt-1；gt表示求取随机目标函数的梯度，mt表示更新梯度的一阶矩估计，vt表示更新梯度的二阶原始矩估计，表示计算偏差修正的一阶矩估计，表示计算偏差修正的二阶原始矩估计，θt表示用上述值循环迭代更新参数向量θ直至θ收敛；采用focalloss损失函数对样本进行均衡处理，其中，多分类目标检测中的focalloss损失函数定义如下：FLpt＝-αt1-ptγlogptpt是Softmax激活函数输出结果中样本属于真实类别第t类的概率，表示区分样本难易分类的程度，调制参数γ，表示对第t类样本的交叉熵衰减程度，调制参数αt，表示第t类样本的权重；对热带气旋中心定位定强卷积网络结构的参数调整过程包括：选择合适的深度残差网络结构提取原始图像的特征图；设置锚框的尺寸和长宽比；设置正负样本比例；调节生成区域候选框的相应参数；调节剔除重叠区域候选框的相应参数；热带气旋中心定位定强预测：将多通道的待预测卫星遥感图像输入到预先训练好的热带气旋中心定位定强模型，生成热带气旋定位定强结果；预测结果订正及精度评价：根据前一时刻的热带气旋历史路径订正有多个热带气旋云系的预测结果，或者剔除错误识别的非热带气旋云系，并进行精度评价。

全文数据：

权利要求：

百度查询： 中科星图维天信科技股份有限公司 一种基于maskrcnn深度学习的热带气旋中心定位与定强方法