融合密集特征金字塔的改进R2CNN海洋涡旋自动检测

海洋涡旋演变过程认识的不足是制约当前物理海洋研究水平的关键因素,海洋涡旋自动检测是掌握其产生、发展、变异过程机理及其与多尺度海洋过程相互作用的基础.然而,由于海洋涡旋尺度多样性、形状不规则、分布密集的特点,现有水平检测方法导致检测区域存在显著的冗余、重叠与嵌套.为解决上述问题,提出多尺度旋转密集特征金字塔网络.具体地,通过密集连接(dense feature pyramid network,DFPN)改进特征金字塔网络实现多尺度高层语义特征提取与融合,增强特征传播与特征重用;此外,针对海洋涡旋密集分布的特点,改进旋转区域卷积神经网络(rotational region convolutional neural network,R2CNN),提出多尺度 RoI Align 机制,实现特征的语义保持和空间信息的完整性,提升模型检测性能.最后,采用海平面异常值数据构建海洋涡旋数据集,并预处理成VOC格式进行训练,调整相应参数得到检测模型.实验结果表明,提出的检测模型最优检测精度可达96.4％,并对太平洋、大西洋海域的海洋涡旋进行自动检测,验证了模型具有较好的泛化能力.