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：浙江理工大学

摘要：本发明属于海洋粒子图像测速方法技术领域，具体公开了一种基于无监督学习和注意力机制的海洋粒子图像测速方法，包括：步骤1：准备数据集并进行预处理，步骤2：构建无监督损失函数，步骤3：构建None‑FlowNet2SD‑GCA神经网络，通过步骤1中所述数据集和步骤2中所述无监督损失函数进行训练；本发明提出了一种基于无监督学习的粒子图像测速模型，并强化了注意力机制的全局空间和通道之间的联系，最终将其应用于模型当中，因此对模型进行了改善，使得模型应对复杂流场环境的能力有所提高。

主权项：1.基于无监督学习和注意力机制的海洋粒子图像测速方法，其特征在于，该方法包括下列步骤：步骤1：准备数据集并进行预处理所述数据集中包含流场条件下的粒子图像对，所述流场条件具体包括以下流场类型：均匀流、水平流动的水平流、后退流、圆柱流、DNS湍流、SQG海面流、JHTDB-channel渠道流、JHTDB-mhd1024湍流、JHTDB-iso-tropic1024湍流；其中，DNS湍流表示均匀且各向同性的流动；SQG海面流表示海面准地转模式驱动的海面流；JHTDB-channel渠道流表示约翰霍普金斯湍流数据库中的渠道流；JHTDB-mhd1024湍流表示约翰霍普金斯湍流数据库中的磁流体动力湍流；JHTDB-iso-tropic1024湍流表示约翰霍普金斯湍流数据库中的强制各向同性湍流；步骤2：构建无监督损失函数将相邻的两帧粒子图像对I1,I2作为None-FlowNet2SD-GCA神经网络的输入，然后通过None-FlowNet2SD-GCA神经网络预测出I1到I2的正向流场Ff＝uf,vfT，其中uf,vf分别为正向流场中水平方向上和竖直方向上的速度场分量；在所述无监督损失函数中还使用到从I2到I1的反向流场Fb＝ub,vbT，其中ub,vb分别为反向流场中水平方向上和竖直方向上的速度场分量；所述无监督损失函数LI1,I2,Ff,Fb＝λPLP+λSLS+λCLC；其中，LP代表光度损失，LS代表平滑损失，LC代表一致性损失步骤3：构建None-FlowNet2SD-GCA神经网络，通过步骤1中所述数据集和步骤2中所述无监督损失函数进行训练；所述None-FlowNet2SD-GCA神经网络包括编码器网络与解码器网络，分别记为NetC与NetE；NetC由6个卷积模块组成，每个卷积模块包含一层卷积层和一层激活函数层，其中在第2个卷积模块与第3个卷积模块之间，设置一个改进的注意力模块；所述改进的注意力模块由7个层组成，第1层是残差层，第2层包括高方向和宽方向上的平均池化层，和一个全局平均池化层；在第3层，将第2层层的高方向和宽方向上的平均池化层与全局平均池化层拼接后，进行一次卷积操作；在第4层对第3层的输出物进行归一化批处理后又进行一次卷积操作；第5层为卷积层，第6层为sigmoid激活函数层，最后一层为重新计算权重层；在NetC之后设置所述NetE，用于进一步处理NetC提取得到的两幅图像的特征；所述NetE由5个层组成，第1层是对所述NetC的第6个卷积模块做一次反卷积操作，并对其得出的预测流进行一次上采样操作，并与NetC的第5个卷积模块进行拼接；第2层是将NetE的第1层进行反卷积操作,并对其得出的预测流进行一次上采样操作，并与NetC的第4个卷积模块进行拼接；第3层是将第2层的输出结果进行反卷积操作,并对其得出的预测流进行一次上采样操作，并与NetC的第3个卷积模块进行拼接；第4层是将第3层的输出物进行反卷积操作,并对其得出的预测流进行一次上采样操作，并与NetC的第2个卷积模块进行拼接；第5层是将第4层的输出物进行反卷积操作,并对其得出的预测流进行一次上采样操作，并与NetC的第1个卷积模块进行拼接后，通过卷积操作和上采样操作得到输出；所述None-FlowNet2SD-GCA神经网络的骨干网络为Flownet2SD；所述NetC为使用具有共享权重的流卷积神经网络，用于提取两幅图像的特征；所述NetC具有金字塔结构；所述上采样为使用双线性插值将最终的流场速度估计上采样到原始分辨率；从I1到I2的流场速度估计的输入是I1,I2，从I2到I1的流场速度估计的输入为I2,I1。

全文数据：

权利要求：

百度查询： 浙江理工大学 基于无监督学习和注意力机制的海洋粒子图像测速方法