基于多视图学习的多波长极光图像自动分类
计算机视觉与模式识别
2024-10-28 v1
摘要
极光分类在极地研究中起着关键作用。然而，当前的极光分类研究主要基于单一波长（通常为 557.7 nm）拍摄的图像。其他波长获取的图像相对被忽视，且多波长信息的融合仍属未被充分探索的领域。这一局限导致复杂极光图案的分类率偏低。此外，这些研究无论采用传统机器学习还是深度学习方法，都未能在精度与速度间取得满意权衡。为应对这些挑战，本文提出一种基于多视图方法的轻量极光多波长融合分类网络 MLCNet。首先，我们开发了称为 LCTNet 的轻量特征提取骨干，以提升分类率并应对日益增长的极光观测数据量。其次，考虑到极光中多尺度空间结构的存在，我们设计了一种名为 MSRM 的新型多尺度重构特征模块。最后，为突出极光类别间的判别信息，我们提出称为 LAFE 的轻量注意力特征增强模块。所提方法使用 2003–2004 年北极黄河站观测数据验证。实验结果表明，多波长信息融合有效提升了极光分类性能。特别地，相较于先前极光分类研究，我们的方法取得了最先进的分类精度，且在精度与计算效率上优于现有多视图方法。
引用
@article{arxiv.2311.02947,
title = {Multi-view learning for automatic classification of multi-wavelength auroral images},
author = {Qiuju Yang and Hang Su and Lili Liu and Yixuan Wang and Ze-Jun Hu},
journal= {arXiv preprint arXiv:2311.02947},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication