基于迁移学习的地面凝结现象图像识别  

作　　者：陈留 杨笔锋[1,2] 谢欢 马尚昌[1,2] 

机构地区：[1]成都信息工程大学,四川成都610000 [2]中国气象局大气探测重点开放实验室,四川成都610000

出　　处：《科技视界》2023年第1期69-72,共4页Science & Technology Vision

摘　　要：传统地面凝结现象观测以人工观测为主,观测时效性差且主观性强。并且霜露分布不规律且易受温度影响而消失,提取其特征的难度较大,导致识别准确率不高。因此,本文根据迁移学习相对传统机器学习的优势提出了基于迁移学习的地面凝结现象识别方法。首先通过图像增强扩充实验样本,其次将在大规模ImageNet图像数据集上预训练得到的ResNet50模型作为新任务的特征提取器。通过冻结模型除全连接层部分外所有层的权重,调整全连接层的参数使其适应本次分类所用的数据集。最后将训练之后的权重参数用于测试集的测试,达到了97.72%的综合识别准确率,能够有效地对自然灾害进行预测。

关 键 词：地面凝结现象 图像识别 卷积神经网络 迁移学习 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]