摘要：针对葵花八号卫星对流云提取，我们引入了一种只使用1×1卷积的神经网络(3ONet)来提取遥感影像的光谱特性，并设计了一个双流全卷积网络。此外，本文还探究了不同的归一化方法与不同的损失函数对模型训练结果的影响。目前本文已被IEEEGRSL接收。

对流云探测与预警是现代天气预报的重要组成部分。对流云通常会带来恶劣天气，如强风、冰雹、雷电和暴雨等。遥感是一种有效的对流云探测方法。气象卫星的发展为对流云监测提供了方便。利用地球同步卫星数据，可以获得大尺度、连续时间的对流云信息。根据这些数据，也发展出了许多对流提取方法。我们将对流云提取视为一种语义分割任务，采用了全卷积网络（FCN）来进行分类。本文利用葵花八号卫星的数据进行实验。葵花八号卫星数据的具体参数如下：

网络输入的数据即7/9/13/15/16波段数据的组合。

我们设计了3ONet进行光谱特征的提取，该网络的结构如下图所示：

所使用的SDFCN的结构如下图：

最终设计的双流神经网络结构如下：

（蓝色箭头表示光谱特征提取的数据流，橙色箭头表示几何特征提取的数据流，绿色箭头表示组合特征）

我们对辅助输出权重进行了测试。所测试的范围为0.3-0.9，以0.1为间隔。所得到的结果如下图所示：

结果表明，权重为0.4-0.5之间时效果较好。

我们对不同的归一化方式与不同的损失函数进行了测试。归一化方式有三种：0-归一化、单影像归一化、全局归一化。损失函数也有三种：CE（交叉熵）损失函数、Dice损失函数、CE+Dice。

最终实验结果如下：

图中，a是7-9-13波段所形成的假彩色图像.b是地面真实值,c是FCN-8s的预测结果,d是PSPNet的预测结果,e是SDFCN的预测结果，f是3ONet的预测结果,g是双流神经网络的预测结果。b-g中，白色区域为对流云，黑色区域为非对流。

根据上述实验结果，本文所提出的3ONet可以有效的提出光谱特征，并且双流全卷积网络在对流云提取的任务中表现出了较好的效果。根据我们设计的网络，在中国模式识别与计算机视觉会议-航天宏图天气信息提取比赛中获得对流提取任务第一名，总排名三等奖的成绩。

-END-

点击“阅读原文可获取详细信息！

转载请注明原文网址：http://www.shuangliuzx.com/slxzf/7674.html