局部聚类分析的FCN-CNN云图分割方法
大小:2.68 MB 人气: 2017-12-15 需要积分:3
标签:聚类(14184)
空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为了解决这一问题的关键,本文提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN(FCN-CNN)的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类。同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中实现云图的预分割:FCN32s预测结果中的”非云”区域一定是云图中的部分”非云”区域。FCN8s预测结果中的”云”区域一定是云图中的部分”云”区域:剩下不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征。通过CNN网络来判断关键像素是”云”或者是”非云”.实验结果表明。FCN-CNN的精度与MR-CNN、SP-CNN相当。但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%
下载地址
局部聚类分析的FCN-CNN云图分割方法下载
相关电子资料下载
- 对新辅助TCHP治疗响应的HER2+乳腺癌空间蛋白质组特征 547
- 使用轮廓分数提升时间序列聚类的表现 316
- 基于K-means聚类算法的图像分割 1113
- 介绍一种基于最小化平方误差的聚类算法 498
- 介绍一种基于分层聚类方法的木马通信行为检测模型 1060
- 深度学习聚类的综述 780
- 聚类分析中的机器学习与统计方法综述(二) 679
- 如何在 Python 中安装和使用顶级聚类算法 415
- 聚类分析中的机器学习与统计方法综述(一) 638
- 机器学习之分类分析与聚类分析 3550