基于注意力的多尺度残差U-Net的海洋中尺度涡旋检测方法

本发明涉及及海洋涡旋，尤其涉及基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法。

背景技术：

1、传统基于物理特征的涡旋检测方法存在一定的主观性，且准确率较低。基于几何轮廓特征的方法通过提取涡旋运动的闭合流线达到检测目的，但其计算过程复杂，影响检测效率。融合物理特征和几何轮廓的涡旋检测存在噪声较多，且需要海洋领域的专家的帮助，检测的效率与准确性有待提高。

2、在中尺度涡旋检测方面，深度学习方法得到了广泛的应用，深度学习方法通过学习数据中的特征信息和内在联系，最终实现涡旋检测。像素分类模型(eddynet)模型，该模型以u-net为基础，缩减了编码器与解码器部分的卷积层，实现了海表面高度(sea surfaceheight，ssh)图像的海洋涡旋自动检测，但检测性能仍需优化。平均池化金字塔模型(pspnet)模型通过金字塔池化模块和扩张卷积模块，融合了不同尺度的特征，但模型对涡旋轮廓信息的检测不理想。将金字塔分割注意力(pyramid spilt attention，psa)与u-net结合的psa-edunet模型，能有效提取多尺度的涡旋信息，但忽略了编码器特征之间的通道和空间依赖，使得编码器与解码器之间存在语义差距。

技术实现思路

1、发明目的：本发明的目的是提供了基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，解决编码器特征之间的通道和空间依赖问题以及编码器与解码器之间存在语义差距问题。

2、技术方案：本发明所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，包括以下步骤：

3、（1）获取时间分辨率为1d，空间分辨率为0.25°的海平面异常数据sla，选取时间分辨率为一维数据，空间分辨率为0.25°的海表面温度数据sst，选取基于卫星高度计的海洋涡旋识别追踪数据集；

4、（2）对基于卫星高度计的海洋涡旋识别追踪数据集制作涡旋标签，时间分辨率为一维数据；对海平面异常数据和海表面温度数据进行归一化处理；

5、（3）对得到的归一化结果进行拼接；遍历涡旋标签数据，根据预设的区域对涡旋标签进行数组截取，得到涡旋标签数据集；

6、（4）构建双交叉多尺度特征融合网络模型即dca-prunet模型并进行训练；其中，将涡旋数据集作为训练集，将海平面异常数据sla和海表面温度数据sst作为测试集；

7、（5）将测试集输入最优的dca-prunet模型中进行性能测试，得到测试结果，将测试结果与涡旋标签进行对比得到评价指标。

8、进一步的，步骤（2）中，涡旋标签经纬度范围为-90°~90°，-180°~180°，像素点所对应的矩阵范围为[180/0.25，360/0.25]，即[720，1440]。

9、进一步的，步骤（2）中，制作涡旋标签具体如下：首先，去除数据集中涡旋轮廓信息为空的涡旋，并提取涡旋的种类和轮廓经纬度信息；其次，构建全零矩阵包括内部区域和边缘区域；其中利用射线法查找涡旋内部信息；利用最近匹配原则确定内部边缘信息；若为反气涡旋则为1；若为气旋涡则为2；根据涡旋内部信息和边缘信息得到标签。

10、进一步的，步骤（3）中，对sla和sst以天为单位进行拼接。

11、进一步的，步骤（4）具体如下：dca-prunet检测模型由编码器、解码器和跳跃连接组成；编码器包括残差模块、金字塔分割注意力模块和最大池化；跳跃连接由双交叉注意力模块组成；解码器包括转置卷积、残差模型和金字塔分割注意力模块。

12、进一步的，步骤（4）包括以下步骤：

13、（41）编码：残差模块用于优化网络的训练过程，提升模型的表达能力，包括残差路径和核大小为1×1的卷积块组成；其中，残差路径由两组核大小为3×3的卷积层和relu激活函数构成；具体如下：将处理后的涡旋数据集输入两层3×3的卷积层后，得到通道数为64的特征图，利用1×1的卷积对输入进行升维后，与残差路径结果进行求和，再经过relu激活函数得到经过处理后的特征图；将残差学习模块得到的特征图输入金字塔分割注意力模块中，金字塔分割注意力模块用于获取不同尺度的空间信息；包括分组拼接模块即spc模块、压缩激励模块即se模块和层；具体如下：spc模块将经过残差模块处理的特征图等分为4个子块，在每个子块上利用多尺度卷积以提取不同尺度特征的空间信息后，进行拼接获得整个特征图的空间信息；se模块用于获得不同通道特征图的注意力权重，包括压缩和激励模块；将不同通道特征图的注意力权重通过层归一化后，进行拼接，得到整个通道注意向量权重；将获得整个特征图的空间信息与得到的整个通道注意向量权重相乘，得到经过金字塔分割注意力模块处理后的特征图；利用步长为2，核大小为2×2的最大池化对得到的特征图进行下采样，得到特征图的大小变为原来的一半；

14、（42）跳跃连接：将金字塔分割注意力模块的输出作为输入，通过通道交叉注意力获取4个编码块通道的依赖关系并进行拼接操作；通过空间交叉注意力获取4个编码块空间的依赖关系并进行拼接操作；再经过批归一化层和gelu激活函数层，连接到对应的解码器；

15、（43）解码：将经过跳跃连接处理后的特征图输入2×2的转置卷积进行上采样，上采样后，特征图的大小加倍，与来自同阶段的编码器特征图按通道进行拼接，得到通道数为2c的特征图；将特征图输入到残差模块、金字塔分割注意力模块中进行特征学习，最终特征图大小恢复为c，其中，c表示通道数，为64。

16、有益效果：与现有技术相比，本发明具有如下显著优点：(1)通过残差模块和金字塔分割注意力模块代替传统u-net架构中的卷积块，残差模块有效防止网络过深产生的梯度消失问题，优化网络训练过程，金字塔分割注意力模块能有效提取多尺度涡旋特征信息，学习重要通道的特征信息，忽略不重要通道信息；(2)在编解码之间的跳跃连接上添加双交叉注意力dca，增强了编码器特征之间的通道和空间依赖，减少编码器与解码器之间的语义差距，使模型关注不同尺度涡旋的轮廓信息；(3)使用sla与sst数据，避免了单一海洋特征数据集涡旋信息获取不全面问题，模型能充分学习涡旋的特征信息，提升检测精度与效率。

技术特征：

1.基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，步骤（2）中，涡旋标签经纬度范围为-90°~ 90°，-180°~180°，像素点所对应的矩阵范围为[180/0.25，360/0.25]，即[720，1440]。

3.根据权利要求2所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，步骤（2）中，制作涡旋标签具体如下：首先，去除数据集中涡旋轮廓信息为空的涡旋，并提取涡旋的种类和轮廓经纬度信息；其次，构建全零矩阵包括内部区域和边缘区域；其中利用射线法查找涡旋内部信息；利用最近匹配原则确定内部边缘信息；若为反气涡旋则为1；若为气旋涡则为2；根据涡旋内部信息和边缘信息得到标签。

4.根据权利要求1所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，步骤（3）中，对sla和sst以天为单位进行拼接。

5.根据权利要求1所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，步骤（4）具体如下：dca-prunet检测模型由编码器、解码器和跳跃连接组成；编码器包括残差模块、金字塔分割注意力模块和最大池化；跳跃连接由双交叉注意力模块组成；解码器包括转置卷积、残差模型和金字塔分割注意力模块。

6.根据权利要求5所述的基于注意力的多尺度残差u-net的海洋中尺度涡旋检测方法，其特征在于，步骤（4）包括以下步骤：

技术总结本发明公开了基于注意力的多尺度残差U‑Net的海洋中尺度涡旋检测方法，包括以下步骤：（1）获取海平面异常数据SLA，选取海表面温度数据SST，选取基于卫星高度计的海洋涡旋识别追踪数据集；（2）对基于卫星高度计的海洋涡旋识别追踪数据集制作涡旋标签，对海平面异常数据和海表面温度数据进行归一化处理；（3）对得到的归一化结果进行拼接；遍历涡旋标签数据，根据预设的区域对涡旋标签进行数组截取，得到涡旋标签数据集；（4）构建双交叉多尺度特征融合网络模型并进行训练；（5）将测试集输入最优的模型中进行性能测试，得到测试结果，将测试结果与涡旋标签进行对比得到评价指标；本发明提升了检测精度与效率。技术研发人员：王丽娜,孙阳,张红春,董昌明,郭志荣受保护的技术使用者：南京信息工程大学技术研发日：技术公布日：2024/7/25