极光图像自动分析模型 方法与技术

第1章 绪论 1.1 研究背景及意义 1.1.1 极光的产生和研究意义 1.1.2 极光光学观测设备及极光图像数据 1.2 基于光学观测的极光研究进展与现状 1.2.1 基于ASI图像的极光研究进展与现状 1.2.2 基于UVI图像的极光研究进展与现状 1.2.3 极光图像自动分析的必要性 1.3 极光图像自动分析的 外研究现状 1.3.1 极光图像分类 1.3.2 极光图像分割 1.3.3 极光图像检索 1.3.4 极光运动表征 1.3.5 极光事件自动识别 1.3.6 极光事件自动检测 1.4 极光图像自动分析的难点及存在的问题 1.5 本书主要研究内容及组织结构 1.5.1 本书研究内容 1.5.2 本书章节安排 1.6 本章参考文献 第2章 极光图像分类 2.1 基于传统机器学习的极光图像有监督分类 2.1.1 极光图像分类机制 2.1.2 基于WLD特征的极光图像自动分类 2.1.3 基于HMM的极光序列表征和分类 2.2 基于卷积神经网络的极光图像有监督分类 2.2.1 研究背景与动机 2.2.2 基于AlexNet的STN和L-Softmax极光图像表征 2.2.3 极光分类机制和数据集构建 2.2.4 实验结果 2.2.5 小结 2.3 极光图像无监督聚类 2.3.1 研究背景与动机 2.3.2 基于谱聚类的极光图像自动聚类网络 2.3.3 实验与结果分析 2.3.4 总结和展望 2.4 喉区极光自动识别 2.4.1 研究背景与动机 2.4.2 数据集介绍 2.4.3 基于改进Incep ResNet-V2的喉区极光自动识别 2.4.4 小结 2.5 本章参考文献 第3章 极光图像分割 3.1 三种基于传统机器学习的极光弧分割方法对比 3.1.1 研究背景与动机 3.1.2 数据和方法 3.1.3 实验结果分析 3.1.4 总结与展望 3.2 基于全卷积神经网络的极光图像自动分割 3.2.1 研究背景与动机