融合多尺度旋轉(zhuǎn)錨機(jī)制的海洋中尺度渦自動(dòng)檢測

杜艷玲，劉倩倩，王麗麗，徐鑫，魏泉苗，宋巍*

1.上海海洋大學(xué)信息學(xué)院，上海 201306；2.自然資源部東海局，上海 200136

0 引 言

中尺度渦廣泛存在于大洋與邊緣海中，具有大空間尺度、非規(guī)則3維立體結(jié)構(gòu)以及水平與垂直快速運(yùn)動(dòng)等特點(diǎn)，在全球海洋物質(zhì)、能量、熱量和淡水的輸運(yùn)和分配中起著不可忽視的作用(Chen等，2011；Faghmous等，2015；李立，2002；黃冬梅 等，2019)。對(duì)中尺度渦生成、成長和消亡過程認(rèn)知不足是限制其與海洋現(xiàn)象間多尺度響應(yīng)機(jī)制和反饋?zhàn)饔醚芯窟M(jìn)展的關(guān)鍵問題。中尺度渦的自動(dòng)檢測是研究其時(shí)空分布、動(dòng)態(tài)變化特征，分析其對(duì)海洋生態(tài)環(huán)境變化、生物資源分布影響的重要基礎(chǔ)(Zhang等，2014)。現(xiàn)有海洋中尺度渦自動(dòng)檢測方法大致分為4類，即基于物理參數(shù)檢測、基于流場幾何特征檢測、基于混合方法檢測和基于神經(jīng)網(wǎng)絡(luò)檢測。其中，應(yīng)用最廣泛的Okubo-Weiss(OW)(kubo，1970；Weiss，1991)方法是經(jīng)典的基于物理參數(shù)中尺度渦檢測方法。該方法通過剪切形變率、拉伸形變率以及相對(duì)渦度計(jì)算OW系數(shù)，并通過閾值設(shè)定進(jìn)行中尺度渦的檢測，在地中海海域、秘魯海域、阿拉斯加海域以及全球渦旋檢測上得到了很好的應(yīng)用(Isern-Fontanet等，2003；Henson和Thomas，2008；Penven等，2005；Chelton等，2007)，但需要人為干預(yù)設(shè)置合適的閾值，存在顯著的任務(wù)特異性和泛化能力差的限制。流場幾何特征方法基于速度矢量的方向和大小確定中尺度渦。Sadarjoen和Post(2000)首次提出纏繞角法(winding-angle，WA)，通過閉合曲線檢測中尺度渦。在此基礎(chǔ)上，Nencioli等人(2010)基于中尺度渦速度場派生出了4個(gè)約束條件來確定中心，可以很好地應(yīng)用于高分辨率數(shù)值模式和高頻雷達(dá)觀測到的流場數(shù)據(jù)，但需要選擇恰當(dāng)?shù)募s束條件，對(duì)中尺度渦的空間尺度具有較強(qiáng)敏感性，同時(shí)對(duì)于小尺度渦旋的檢測精度較低。有學(xué)者嘗試將物理參數(shù)和幾何特征結(jié)合應(yīng)用于海洋中尺度渦檢測，McWilliam(1984)提出一種基于相對(duì)渦度和流場幾何特征的檢測方法，認(rèn)為相對(duì)渦度的局部極值為渦旋中心，從中心極值向外搜索渦旋邊界。Yi等人(2014)將基于物理參數(shù)的OW方法與海表面高度異常(sea surface height anomaly，SSHA)結(jié)合在一起，提出一種混合式的渦旋自動(dòng)檢測算法(hybrid detection，HD)，提高了渦旋檢測的準(zhǔn)確性，并實(shí)現(xiàn)對(duì)多核渦構(gòu)造的提取和處理。隨著機(jī)器學(xué)習(xí)理論的不斷發(fā)展，機(jī)器學(xué)習(xí)在遙感圖像上的應(yīng)用受到越來越多的關(guān)注。Peckinpaugh等人(1993)和Franz等人(2018)基于神經(jīng)網(wǎng)絡(luò)從圖像中分類出渦旋和非渦旋，在衛(wèi)星遙感圖像上實(shí)現(xiàn)了較好的效果，但該方法依賴于人工特征設(shè)計(jì)和提取，存在顯著的主觀性。Duo等人(2019)基于一個(gè)目標(biāo)檢測網(wǎng)絡(luò)構(gòu)建了中尺度渦自動(dòng)識(shí)別和定位模型，實(shí)現(xiàn)了海平面異常(sea level anomaly，SLA)數(shù)據(jù)的中尺度渦自動(dòng)檢測和渦旋中心定位，但該方法使用的水平檢測框無法滿足中尺度渦非規(guī)則結(jié)構(gòu)、多長寬比情況下的檢測精度需求，尤其是在中尺度渦密集區(qū)域，檢測框存在顯著的冗余和重疊現(xiàn)象，極大限制了檢測精度。

盡管現(xiàn)有研究已取得了較好成效，但中尺度渦在不同海域存在明顯差異，人工設(shè)計(jì)和提取構(gòu)建的特征無法對(duì)其充分表達(dá)。同時(shí)，不同海域中尺度渦生成海況環(huán)境復(fù)雜多變，使其在形狀、尺度和長寬比上發(fā)生劇烈變化導(dǎo)致檢測精度低，尤其在中尺度渦分布密集區(qū)域，檢測框呈現(xiàn)明顯的冗余和重疊問題。針對(duì)以上不足，本文基于深度學(xué)習(xí)構(gòu)建了多尺度旋轉(zhuǎn)錨機(jī)制，實(shí)現(xiàn)中尺度渦自動(dòng)旋轉(zhuǎn)檢測。該方法基于一階段目標(biāo)檢測網(wǎng)絡(luò)RetinaNet作為主干網(wǎng)絡(luò)實(shí)現(xiàn)特征的自動(dòng)學(xué)習(xí)和表達(dá)；針對(duì)中尺度渦非規(guī)則結(jié)構(gòu)、多長寬比的特點(diǎn)，特別是廣泛存在的渦群區(qū)域密集排列導(dǎo)致的檢測冗余與重疊問題，設(shè)計(jì)并實(shí)現(xiàn)了多尺度旋轉(zhuǎn)錨生成機(jī)制，實(shí)現(xiàn)中尺度渦的旋轉(zhuǎn)自動(dòng)檢測，提升了檢測精度。同時(shí)，本文基于SLA數(shù)據(jù)構(gòu)建了中尺度渦訓(xùn)練數(shù)據(jù)集，并采用2維圖像處理技術(shù)增強(qiáng)專家標(biāo)注的小樣本數(shù)據(jù)產(chǎn)生訓(xùn)練集。實(shí)驗(yàn)結(jié)果表明，本文方法具有較好的檢測效果，并且在不同海域的測試結(jié)果驗(yàn)證了該方法具有較好的泛化能力。

1 數(shù)據(jù)和方法

1.1 方法流程設(shè)計(jì)

本文方法包括3個(gè)階段，即數(shù)據(jù)預(yù)處理、多尺度旋轉(zhuǎn)錨深度網(wǎng)絡(luò)模型以及中尺度渦信息提取和檢測。在數(shù)據(jù)預(yù)處理階段，預(yù)處理遙感衛(wèi)星高度計(jì)數(shù)據(jù)，采用圖像處理技術(shù)添加噪聲和裁剪處理增強(qiáng)擴(kuò)充準(zhǔn)確的小樣本數(shù)據(jù)，產(chǎn)生訓(xùn)練集；在網(wǎng)絡(luò)模型階段，基于RetinaNet主干網(wǎng)絡(luò)提取中尺度渦特征，同時(shí)采用特征金字塔(feature pyramid network，F(xiàn)PN)結(jié)構(gòu)融合中尺度渦的低層與高層特征，引入多尺度、多長寬比以及多旋轉(zhuǎn)角度實(shí)現(xiàn)多尺度旋轉(zhuǎn)檢測錨的生成，最后集成分類與回歸兩個(gè)子網(wǎng)絡(luò)實(shí)現(xiàn)中尺度渦檢測。為了驗(yàn)證方法對(duì)中尺度渦自動(dòng)檢測的有效性，采用測試數(shù)據(jù)集輸出目標(biāo)類別置信分?jǐn)?shù)以及位置信息，并且采用不同海域數(shù)據(jù)集驗(yàn)證方法的泛化能力。

1.2 樣本采集和數(shù)據(jù)擴(kuò)充

1.2.1 樣本采集

圖1 海平面異常輪廓圖

(1)

(2)

式中，x表示緯度，y表示經(jīng)度，speed表示地轉(zhuǎn)流流速，u和v代表地轉(zhuǎn)流速度經(jīng)向和緯向分量，g代表重力加速度，f是科里奧利參數(shù)，ξ代表海平面高度異常場。SLA數(shù)據(jù)以等高線、矢量線和彩色圖可視化，等高線的間距單位為cm，陸地部分在NetCDF文件中SLA值顯示為空值，這樣可以避免可視化異常和干擾檢測。在標(biāo)注過程中，專家一方面依靠對(duì)海洋中尺度渦的理解和認(rèn)識(shí)，另一方面參考每日全球中尺度海洋渦旋衛(wèi)星高度計(jì)數(shù)據(jù)集(Faghmous等，2015)，使用數(shù)據(jù)標(biāo)注平臺(tái)(Labelme)對(duì)可視化的SLA圖像進(jìn)行中尺度渦標(biāo)注，共標(biāo)注了108幅SLA數(shù)據(jù)中的3 800個(gè)中尺度渦。其中，專家標(biāo)注過的圖像將以數(shù)據(jù)交換格式保存，然后再將其轉(zhuǎn)換為模型可以識(shí)別的標(biāo)注文件格式，每幅圖像對(duì)應(yīng)一個(gè)唯一的標(biāo)注文件，文件中包含對(duì)象的標(biāo)簽和位置信息，以保證對(duì)原始圖像執(zhí)行擴(kuò)充操作的同時(shí)，標(biāo)注數(shù)據(jù)也進(jìn)行相同的擴(kuò)充操作，避免了數(shù)據(jù)擴(kuò)充后重新標(biāo)注的問題。

1.2.2 數(shù)據(jù)擴(kuò)充

充分多樣的數(shù)據(jù)集是提升目標(biāo)檢測方法準(zhǔn)確性的關(guān)鍵。本文通過裁剪和噪聲處理對(duì)專家標(biāo)注的108幅中尺度渦數(shù)據(jù)進(jìn)行擴(kuò)充，加入尺度和信噪比等因素。經(jīng)加噪和裁剪處理后的圖像如圖2所示。數(shù)據(jù)集擴(kuò)充操作如下：1)將108個(gè)SLA原始數(shù)據(jù)可視化，設(shè)置統(tǒng)一圖像導(dǎo)出分辨率，歸一化SLA輪廓圖的大小，以便于后面階段的圖像裁剪操作。2)添加適量噪聲能夠有效提升深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，避免網(wǎng)絡(luò)過擬合的出現(xiàn)，小方差的噪聲在自然條件下更常見，所以對(duì)歸一化后的標(biāo)注SLA數(shù)據(jù)集添加均值為0、方差為0.005 5的高斯噪聲，添加噪聲后的可視化圖像如圖2(a)所示。添加噪聲沒有改變圖像中尺度渦的位置，因此其標(biāo)注文件不需要進(jìn)行更改，這一操作完成后數(shù)據(jù)集擴(kuò)充到216幅圖像。3)圖像裁剪可以增加圖像的多樣性，進(jìn)而增強(qiáng)模型穩(wěn)定性，因此將上一階段獲得的圖像裁剪成600×600像素的子圖像，水平和垂直方向重疊像素為150，裁剪后的圖像如圖2(b)所示。裁剪圖像的同時(shí)，對(duì)應(yīng)的標(biāo)注文件也以完全相同的方式裁剪，這一操作完成后數(shù)據(jù)集擴(kuò)充到2 236幅圖像。

圖2 數(shù)據(jù)擴(kuò)充示例

1.3 多尺度旋轉(zhuǎn)錨中尺度渦檢測模型

1.3.1 主干網(wǎng)絡(luò)

本文提出的多尺度旋轉(zhuǎn)錨中尺度渦自動(dòng)檢測模型，采用一階段目標(biāo)檢測網(wǎng)絡(luò)RetinaNet(Lin等，2017)作為基礎(chǔ)網(wǎng)絡(luò)，并構(gòu)建了多尺度、多長寬比和多旋轉(zhuǎn)角度的多尺度旋轉(zhuǎn)錨生成機(jī)制，實(shí)現(xiàn)中尺度渦自動(dòng)旋轉(zhuǎn)檢測，模型結(jié)構(gòu)如圖3所示。該模型主要包括4部分，即初始提取中尺度渦特征的殘差網(wǎng)絡(luò)(ResNet)(He等，2016)、多層級(jí)中尺度渦特征融合和細(xì)化的特征金字塔(FPN)網(wǎng)絡(luò)(Lin等，2017)、多尺度旋轉(zhuǎn)錨生成和用于分類和定位的子網(wǎng)絡(luò)。

在特征提取初始階段，一般采用深度學(xué)習(xí)的線性卷積神經(jīng)網(wǎng)絡(luò)提取特征，如AlexNet(Krizhevsky等，2017)、GoogLeNet(Szegedy等，2015)和VGGNet(Visual Geometry Group network)(Simonyan和Zisserman，2015)。這些網(wǎng)絡(luò)往往通過增加網(wǎng)絡(luò)深度提高特征的表達(dá)能力，然而當(dāng)網(wǎng)絡(luò)達(dá)到一定深度后，訓(xùn)練的準(zhǔn)確率會(huì)趨于平緩，再增加層數(shù)，優(yōu)化效果反而變差。因此，本文引入ResNet網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)來初步提取中尺度渦的特征，通過在網(wǎng)絡(luò)中引入殘差映射和跳躍連接，將上一個(gè)殘差塊的特征信息加入下一個(gè)殘差塊中，有效避免了網(wǎng)絡(luò)過深引起的梯度消失和特征信息丟失問題。

不同層級(jí)特征為精確的目標(biāo)檢測提供更加豐富的信息支撐，針對(duì)中尺度渦尺度變化大和其所處海洋環(huán)境復(fù)雜的特點(diǎn)，通過特征金字塔網(wǎng)絡(luò)融合中尺度渦低層和高層特征，為目標(biāo)檢測階段提供豐富的空間位置與高層語義信息。該網(wǎng)絡(luò)架構(gòu)由兩部分組成：一個(gè)自底向上網(wǎng)絡(luò)(圖3(a))、一個(gè)自頂向下網(wǎng)絡(luò)和橫向連接，網(wǎng)絡(luò)框架如圖3(b)所示。自底向上前饋網(wǎng)絡(luò)的C1、C2、C3、C4、C5由ResNet網(wǎng)絡(luò)中每個(gè)殘差塊(residual block)中的最后一個(gè)卷積層的輸出構(gòu)成，由于C1和C2在計(jì)算過程中需占用較大內(nèi)存，所以將該部分剔除，其卷積層對(duì)輸入圖像的像素步長分別為8、16、32。每層網(wǎng)絡(luò)產(chǎn)生的特征圖具有分辨率逐層降低、語義信息逐層增強(qiáng)和位置信息逐層減弱的特點(diǎn)，所以在自頂向下網(wǎng)絡(luò)中，通過上采樣和平級(jí)連接產(chǎn)生包含豐富信息的特征P3、P4、P5。例如，為了得到P5，首先用1個(gè)1×1的卷積層降低C5的通道，然后添加1個(gè)3×3的卷積得到FPN自頂向下部分的第1層網(wǎng)絡(luò)P5。為了得到P4，在C4上添加一個(gè)1×1卷積產(chǎn)生的粗糙特征映射與P5上采樣得到的特征圖融合，然后添加1個(gè)3×3的卷積消除上采樣的混疊效應(yīng)得到P4。同理，P3和P2類似。與FPN不同，這里考慮了P6和P7，P6通過在C5的基礎(chǔ)上添加步長為2、3×3的卷積得到，P7在P6的基礎(chǔ)上添加ReLU激活和步長為2、3×3的卷積運(yùn)算獲得。

圖3 海洋中尺度渦旋轉(zhuǎn)檢測網(wǎng)絡(luò)框架

特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)可以有效利用單幅圖像構(gòu)建多尺度特征圖，使金字塔每一層輸出的特征圖都具有較強(qiáng)的語義信息，為結(jié)構(gòu)復(fù)雜、尺度不一且快速連續(xù)變化的海洋中尺度渦目標(biāo)檢測提供了更豐富的空間位置和高層語義特征信息。

1.3.2 多尺度旋轉(zhuǎn)錨生成機(jī)制

多尺度旋轉(zhuǎn)錨階段的輸入為特征金字塔網(wǎng)絡(luò)的輸出。旋轉(zhuǎn)區(qū)域網(wǎng)絡(luò)基于區(qū)域生成網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建。首先，在輸入的多尺度特征圖的每個(gè)網(wǎng)格點(diǎn)上生成由尺度、長寬比和角度構(gòu)成的多尺度旋轉(zhuǎn)錨。接著，將其放入分類和回歸兩個(gè)子網(wǎng)絡(luò)。分類子網(wǎng)絡(luò)在每個(gè)空間位置上預(yù)測存在目標(biāo)的概率，回歸子網(wǎng)絡(luò)回歸邊界框與真值框之間的偏移量。最后，進(jìn)行非極大值抑制操作后向處理操作，得到最終的檢測結(jié)果。

在本文的多尺度旋轉(zhuǎn)錨生成機(jī)制中，使用3個(gè)參數(shù)控制錨，即尺度、長寬比和角度。為了節(jié)省計(jì)算成本，且使錨盡可能覆蓋海洋中尺度渦目標(biāo)，將P3、P4、P5、P6、P7這些層中初始錨的基本尺度分別設(shè)為32、64、128、256、512，每層特征圖中尺度設(shè)置為20、21/3、22/3控制錨的大小，長寬比設(shè)置為1、1/2、2、1/3、3、1/5、5控制錨的比例，同時(shí)設(shè)置6個(gè)不同角度，即-15°、-30°、-45°、-60°、-75°、-90° 實(shí)現(xiàn)錨旋轉(zhuǎn)到不同方向，設(shè)計(jì)的多尺度旋轉(zhuǎn)錨生成策略可以很好地解決結(jié)構(gòu)復(fù)雜、形態(tài)不規(guī)則結(jié)構(gòu)的中尺度渦水平檢測存在的檢測框嵌套和重疊問題。這里假定每幅特征圖的特征點(diǎn)會(huì)生成A個(gè)錨，H×W的特征圖將會(huì)產(chǎn)生A×H×W個(gè)錨。

在子網(wǎng)絡(luò)的預(yù)測階段，傳統(tǒng)的水平邊界框(虛線框)通常使用(xmin,ymin,xmax,ymax)表示，基于這4個(gè)參數(shù)做邊界框的回歸變換得到預(yù)測邊界框，但不能很好地覆蓋不同方向任意形狀的中尺度渦目標(biāo)。因此定義旋轉(zhuǎn)邊界框(實(shí)線框)尺度、長寬比兩個(gè)參數(shù)和方向共同控制。采用5個(gè)變量(x,y,w,h,θ)確定唯一一個(gè)任意方向的邊界框。如圖4所示，x和y分別表示中心點(diǎn)的坐標(biāo)，旋轉(zhuǎn)角度θ表示水平軸逆時(shí)針旋轉(zhuǎn)與遇到矩形第1條邊的夾角，這里定義遇到的這一條邊是邊界框的寬，另一條邊是邊界框的高，角度的范圍是[-90, 0]。

圖4 水平邊界框和旋轉(zhuǎn)邊界框

基于以上5個(gè)參數(shù)，分類子網(wǎng)絡(luò)預(yù)測每個(gè)位置上A個(gè)錨中對(duì)象屬于K個(gè)類別的概率，其中K錨的數(shù)量為A，類別數(shù)為K?；貧w子網(wǎng)絡(luò)基于以上定義的5個(gè)參數(shù)輸出每個(gè)錨框的位置信息5A，根據(jù)錨框與真值框的偏移量做回歸變換，使每一個(gè)錨框回歸到與其交并比(intersection over union，IoU)值最大的真值框。該層預(yù)測邊界框中目標(biāo)的位置信息包括邊界框的中心點(diǎn)坐標(biāo)、寬、高和角度，基于獲取到的位置信息，可以得到預(yù)測框內(nèi)中尺度渦的中心、尺度和半徑，為后續(xù)研究中尺度渦奠定了基礎(chǔ)。

2 實(shí)驗(yàn)和結(jié)果分析

實(shí)驗(yàn)基于TensorFlow框架構(gòu)建和訓(xùn)練模型。訓(xùn)練在1臺(tái)GPU(Tesla P100-PCIE)環(huán)境下進(jìn)行。基于構(gòu)建的中尺度渦訓(xùn)練集，將圖像樣本和標(biāo)注文件輸入到模型中進(jìn)行訓(xùn)練，依據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果調(diào)整模型超參來檢驗(yàn)?zāi)Ｐ偷淖罴研阅?。其中，學(xué)習(xí)率是深度學(xué)習(xí)訓(xùn)練過程中的重要超參，決定目標(biāo)函數(shù)能否收斂以及何時(shí)收斂到局部最小值；batch_size是每次訓(xùn)練從訓(xùn)練集中選取送入模型的樣本數(shù)量；epoch表示整個(gè)訓(xùn)練集輸入到模型中訓(xùn)練的次數(shù)；iteration表示迭代次數(shù)，每個(gè)batch_size的數(shù)據(jù)完成1次訓(xùn)練為完成1次迭代。實(shí)驗(yàn)中，模型學(xué)習(xí)率初始化設(shè)為0.000 5，batch_size初始化為2，weight decay和momentum分別初始化為0.000 1和0.9，iteration的最大值設(shè)置為500 000步，每一步將輸入的圖像在網(wǎng)絡(luò)中進(jìn)行一次完整的前饋計(jì)算和反向傳播，更新一次模型參數(shù)，直至網(wǎng)絡(luò)的回歸損失和分類損失變得收斂。

選取2014—2015年的數(shù)據(jù)對(duì)本文模型進(jìn)行性能評(píng)估。同時(shí)，將本文方法與水平框目標(biāo)檢測方法在同樣的數(shù)據(jù)集上的性能進(jìn)行對(duì)比。選擇目標(biāo)檢測領(lǐng)域中常見的4個(gè)評(píng)價(jià)指標(biāo)，即精確率(precision)、召回率(recall)、F1值和幀率(frames per second，F(xiàn)PS)衡量方法的性能。精確率P表示真實(shí)樣本在所有識(shí)別的中尺度渦中所占的比例。召回率R表示正確識(shí)別的中尺度渦數(shù)與專家標(biāo)注的中尺度渦數(shù)之比。F1值表示中尺度渦檢測算法的綜合評(píng)價(jià)指標(biāo)。FPS表示每秒內(nèi)檢測圖像的數(shù)量，用來衡量速度。具體計(jì)算為

(3)

(4)

(5)

式中，TP、TN表示正確判定為正和負(fù)的樣本數(shù)，F(xiàn)P、FN表示錯(cuò)誤判定為正和負(fù)的樣本數(shù)。基于以上評(píng)價(jià)指標(biāo)，比較了中尺度渦旋轉(zhuǎn)檢測與目前流行的水平檢測方法，IoU閾值設(shè)置為0.4，實(shí)驗(yàn)結(jié)果如表1所示?？梢钥闯觯疚姆椒ㄓ休^好的綜合性能，尤其與中尺度渦水平框檢測方法OEDNet(ocean eddy detection network)(Duo等，2019)相比，本文方法在保證計(jì)算速度的同時(shí)，檢測精度提升了8%。多尺度旋轉(zhuǎn)錨機(jī)制的設(shè)計(jì)引入了一定量的參數(shù)，表2是本文方法與傳統(tǒng)方法在空間和時(shí)間復(fù)雜度上的對(duì)比。與水平檢測方法相比，多尺度旋轉(zhuǎn)錨的引入占用了一些內(nèi)存并增加了檢測時(shí)間，但顯著提升了性能。表3是模型在不同訓(xùn)練集的性能評(píng)估?？梢钥闯觯瑪?shù)據(jù)集擴(kuò)充后，訓(xùn)模型能夠檢測到更多的中尺度渦目標(biāo)，證明了數(shù)據(jù)擴(kuò)充的有效性。

表1 基于深度學(xué)習(xí)的中尺度渦檢測結(jié)果比較

表2 算法復(fù)雜度對(duì)比

表3 不同訓(xùn)練集下模型的性能評(píng)估

除上述實(shí)驗(yàn)外，基于同樣測試集對(duì)中尺度渦旋轉(zhuǎn)和水平檢測OEDNet的結(jié)果可視化，如圖5和圖6所示?？梢钥闯觯?)旋轉(zhuǎn)檢測更能準(zhǔn)確檢測出形狀不規(guī)則和方向改變的中尺度渦，檢測框更貼合渦旋，顯著降低了水平檢測框的冗余(圖5(a)、圖6(a))。2)對(duì)尺度差異較大、位置相近的中尺度渦，水平檢測會(huì)出現(xiàn)明顯的檢測框混疊，而旋轉(zhuǎn)檢測有效避免了檢測框混疊現(xiàn)象(圖5(b)、圖6(b))。3)海洋環(huán)流和洋流的相互作用伴隨著海洋渦旋的分裂和融合，對(duì)該過程導(dǎo)致中尺度渦多核結(jié)構(gòu)，旋轉(zhuǎn)檢測方法更能精確地檢測出多核渦(圖5(c)、(圖6(c))。

圖5 水平檢測方法的可視化檢測結(jié)果

圖6 本文旋轉(zhuǎn)檢測方法的可視化檢測結(jié)果

圖7 本文旋轉(zhuǎn)檢測方法在不同海域的可視化檢測結(jié)果

表4 不同海域中尺度渦檢測結(jié)果

3 結(jié) 論

本文針對(duì)海洋中尺度渦形態(tài)不規(guī)則、結(jié)構(gòu)復(fù)雜多變導(dǎo)致長寬比不確定引起檢測困難，以及渦群海域中尺度渦分布密集導(dǎo)致檢測區(qū)域冗余、重疊和嵌套問題，設(shè)計(jì)了由多尺度、多長寬比和多旋轉(zhuǎn)角度錨點(diǎn)的多尺度旋轉(zhuǎn)錨生成機(jī)制，基于RetinaNet構(gòu)建多尺度旋轉(zhuǎn)錨的深度網(wǎng)絡(luò)模型，實(shí)現(xiàn)了海洋中尺度渦的中心位置定位和空間尺度檢測，為未來渦旋跟蹤和軌跡預(yù)測奠定了數(shù)據(jù)基礎(chǔ)。在不同海域中尺度渦的實(shí)驗(yàn)表明，本文方法均取得了較好的檢測效果，具有較好的泛化能力。但中尺度渦檢測精度還可以進(jìn)一步提升，通過可視化比較檢測結(jié)果與專家標(biāo)注的中尺度渦，影響檢測精度主要有兩方面原因。1)中尺度渦形狀不規(guī)則。目前海洋中尺度渦尚缺乏相對(duì)統(tǒng)一共識(shí)的定義，較難標(biāo)注出其精確輪廓；2)該模型設(shè)計(jì)的多尺度旋轉(zhuǎn)錨生成機(jī)制，在實(shí)現(xiàn)中尺度渦旋轉(zhuǎn)檢測的同時(shí)，引入了較大的計(jì)算成本，模型計(jì)算效能有待進(jìn)一步提升。未來工作的重點(diǎn)將考慮從提升數(shù)據(jù)集構(gòu)建質(zhì)量和降低模型計(jì)算代價(jià)角度出發(fā)，提升中尺度渦的檢測性能。