CN116863328A 基于ResNet网络的立体遥测数据3D大气污染融合和分析方法 （安徽大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN116863328A

(43)申请公布日2023.10.10

(21)申请号202310655933.3

(22)申请日2023.06.05

(71)申请人安徽大学

地址230031安徽省合肥市肥西路3号

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(72)发明人刘岳阳项衍杨建文邹堉莹

路然符天睿王继云

(74)专利代理机构徐州拉沃智佳知识产权代理

有限公司32455专利代理师刘谦

(51)Int.CI.

GO6V20/10(2022.01)

GO6V10/20(2022.01)

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/80(2022.01)

权利要求书2页说明书5页附图1页

(54)发明名称

基于ResNet网络的立体遥测数据3D大气污染融合和分析方法

(57)摘要

CN116863328A本发明公开了基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，至少包括以下步骤S1:对收集到的空气质量数据进行预处理；S2:进行梯度生成节点，度生成阶段，S3:进行模型训练和测试。本发明涉及消防设备技术领域，具体为具体为基于ResNet

CN116863328A

CN116863328A权利要求书1/2页

2

1.基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，其特征在于：S1:对收集到的空气质量数据进行预处理，由于收集数据集规模较大，各个数据之间的差异也较大，这些差异的影响会导致模型的拟合过程困难，所以需要将这些原始数据集进行预处理，使用数据归一化等常见预处理操作将原始数据控制在更小的特定区间范围，进而更好地训练和拟合深度学习模型。

residual结构使用的一种shortcut连接方式：

x

Residualblock

S2:进行梯度生成节点，度生成阶段，首先使用一个加载kinetic数据上预训练过的ResNet3D网络，在训练数据集上进行微调，使得ResNet3D网络在该数据集上具有初步的识别能力，之后固定网络的参数，使用网络预测标签来对输入进行求导：

梯度生成过程是基于一个已经有基本的分辨能力的网络，使用这个网络针对输入进行求导，并对求得的导数进行归一化，这样针对输入视频的每一个空间位置，就得到对应该位置归一化后的梯度值，而这些梯度信息，之后将用来对特征增强模块进行指导，具体流程如下：

首先使用一个经过Kinetics数据集预训练的网络在指定数据集上进行微调，使得网络在实验数据集上具有最基本的识别能力，当前训练好的网络，定义为f,f已经对指定数据集具有初步的分辨能力，那么f就表示输入图像xa与图像标签y之间的映射关系：

y=f(x)其中，y表示经过微调之后的网络对于该图像段的预测标签。

将训练好的网络参数固定起来，使用最后网络的预测输出来对输入的图像求导，进行梯度生成，将网络对视频中某像素点的梯度值定义为i,j,T,得到i,j,T的表达式如下：

其中，x表示图像中坐标点为(i,j,T)的值，

之后再使用归一化公式对生成的梯度进行归一化：

B:j.π=Normalize(θj;π)

对原图中该位置归一化后的梯度值最终生成的θ是一个与输入图像大小相同的矩阵，其中的元素是一个个网络针对原图中该位置像素点归一化后的梯度值。

S3:进行模型训练和测试。完成模型定义后，将图像数据集划分为训练集、验证集与测试集，按照6:2:2的比例，训练通过初始的深度学习模型得到预测结果，通过损失函数计算误差后，再通过优化器调整学习模型的参数，提升数据精准度。

2.根据权利要求1所述的基于ResNet网络的立体遥测数据3D大气污染融合和分析方法，其特征在于：所述ResNet3D是指整个网络分为两个通道，第一个通道用于对环境数据进行特征选择，筛选出环境数据中内蕴的、对污染物排放最具影响的隐性特征，并将其提供给第二个通道作为污染物预测模型的参数变量。第二个通道则用于对污染物进行预测，