局部聚類分析的FCN-CNN云圖分割方法
大小:2.68 MB 人氣: 2017-12-15 需要積分:3
標簽:聚類(14184)
空氣中的塵埃、污染物及氣溶膠粒子的存在嚴重影響了大氣預測的有效性,毫米波雷達云圖的有效分割成為了解決這一問題的關鍵,本文提出了一種基于超像素分析的全卷積神經網路FCN和深度卷積神經網絡CNN(FCN-CNN)的云圖分割方法.首先通過超像素分析對云圖每個像素點的近鄰域實現相應的聚類。同時將云圖輸入到不同步長的全卷積神經網絡FCN32s和FCN8s中實現云圖的預分割:FCN32s預測結果中的”非云”區域一定是云圖中的部分”非云”區域。FCN8s預測結果中的”云”區域一定是云圖中的部分”云”區域:剩下不確定的區域通過深度卷積神經網絡CNN進行進一步分析.為提高效率,FCN-CNN選取了不確定區域中超像素的幾個關鍵像素來代表超像素區域的特征。通過CNN網絡來判斷關鍵像素是”云”或者是”非云”.實驗結果表明。FCN-CNN的精度與MR-CNN、SP-CNN相當。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%
不好我反對
(0) 0%
下載地址
局部聚類分析的FCN-CNN云圖分割方法下載
相關電子資料下載
- 對新輔助TCHP治療響應的HER2+乳腺癌空間蛋白質組特征 547
- 使用輪廓分數提升時間序列聚類的表現 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測模型 1060
- 深度學習聚類的綜述 780
- 聚類分析中的機器學習與統計方法綜述(二) 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機器學習與統計方法綜述(一) 638
- 機器學習之分類分析與聚類分析 3550