基于卷积神经网络的单波长和多波长太阳事件检测

作     者：纪春洋 

作者单位：天津大学 

学位级别：硕士

导师姓名：谢宗霞;黄鑫

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 070401[理学-天体物理] 0835[工学-软件工程] 0802[工学-机械工程] 0704[理学-天文学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：目标检测 太阳事件 卷积神经网络 特征融合 

摘      要：目标检测是计算机视觉中常见而具有挑战性的任务,传统的目标检测分为滑窗提取候选区域,提取相关特征和对特征分类三个过程。该方法存在的缺陷有滑窗时间复杂和窗口冗余,除此之外,手动设计的特征在目标多样性上没有很好的鲁棒性。深度学习技术不断发展,目标候选区域和相关特征可以通过卷积神经网络来提取,目标检测任务变成端对端的形式。深度学习的检测算法在速度和准确性上有了很大提升。天文学领域中,检测日冕暗化（Coronal Dimming,CD）和日冕波（Coronal Wave,CW）的任务上,传统的检测算法存在对太阳图片进行预处理的弊端,与此同时太阳图片的数据规模不断增加。为了更加准确和快速地检测CD和CW,本文引入了基于卷积神经网络的目标检测方法。首先,本文的第一个任务是构建公共数据集,为研究太阳事件CD和CW提供一个公开的数据源。其次,在构建的公共数据集上使用深度学习模型Faster RCNN（Faster Region-based Convolutional Neural Networks）对CD和CW在单波长上进行应用,并训练R-FCN（Region-based Fully Convolutional Networks）模型与之对比分析。通过实验可以证明该方法能够准确检测太阳事件CD和CW。最后,本文使用多波长特征信息,提出了浅层特征（Shallow Feature）融合的Faster R-CNN（SF-Faster R-CNN）和深层特征（Deep Feature）融合的Faster R-CNN（DF-Faster RCNN）太阳事件检测方法。实验结果表明SF-Faster R-CNN比R-FCN适合做多波长太阳事件检测,同时比单波长模型在多个太阳事件的识别能力上更强;DFFaster R-CNN比SF-Faster R-CNN在太阳事件检测准确性上有所提高,接近单波长模型。同时加强了SF-Faster R-CNN在多个太阳事件上的检测效果。从单波长,SF-Faster R-CNN和DF-Faster R-CNN模型的实验结果来看,卷积神经网络在太阳事件检测上有较高的准确性,能够解决太阳事件CD和CW的检测任务,同时在天文学研究领域中有一定的可应用性。