基于视频时空特征学习的近岸海浪周期检测

• 作者: 宋巍 陈媛媛 贺琪 杜艳玲
• 来源期刊: 激光与光电子学进展
• 学科: 工学
• 关键词: 海洋光学 波浪周期检测 时空融合特征 融合卷积神经网络 近岸海浪监控视频 深度学习
• 年，卷（期）: 2021,（24）
• 所属期刊栏目: 大气光学与海洋光学|Atmospheric Optics and Oceanic Optics
• 页码范围: 106-116
• 页数: 11页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.3788/LOP202158.2401001

摘要

近岸海浪周期检测对于近岸精细化海洋预报至关重要.为此,提出一种新的基于视频时空特征学习的近岸海浪周期自动化检测方法.所提方法以连续海浪视频帧为输入,首先利用二维卷积神经网络(2D-CNN)提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络(1D-CNN)提取时间维度特征,这种复合卷积神经网络(CNN-2D1D)能够实现海浪时空信息的有效融合,最后采用注意力机制对融合后的特征进行权重调整,并将所得结果线性映射为海浪周期.将所提方法与基于VGG16网络的单纯空间特征的检测方法和基于ConvLSTM和三维卷积(C3D)网络的时空特征融合的检测方法进行对比.实验结果表明,C3D和CNN-2D1D的检测精度最高,平均绝对误差分别为0.47s和0.48s,但CNN-2D1D比C3D的检测结果更稳定,均方根误差分别为0.66和0.81,且CNN-2D1D需要的训练参数更少,这表明所提方法在波浪周期检测中更有效.