基于改进Faster RCNN的台风云系识别

薛超培，唐春晖

（上海理工大学光电信息与计算机工程学院，上海 200093）

0 引言

我国台风灾害有次数多、季节性强、受灾程度重、影响范围广等特征［1］，准确的监测预警可降低台风造成的灾害。

为了更好地对台风进行监测，必须对台风中心进行定位，而台风云系识别是台风中心定位的基础。近年来台风云系识别方法包括传统图像处理方法［2-3］和基于深度学习的目标检测方法［4］。

传统图像处理方法进行台风云系识别首先需要设置阈值对云系进行分割，再通过纹理特征等进行台风云系识别，由于阈值选择困难，自动化能力较弱，导致识别精度不高。

由于计算机硬件水平的提高，基于深度学习的目标检测算法成为研究热点。深度学习方法以卷积神经网络（Convolutional Neural Network，CNN）为基础，相较于传统算法可以学习并提取图像中的深层特征，不需要人为干预，具有更强的泛化能力与自动化能力。基于深度学习的目标检测算法通常按是否生成候选区域分为一阶法（One stage）和二阶法（Two stage）两种。一阶法的代表网络为SSD（Single Shot MultiBox Detector）［8］和YOLO（You Only Look Once）［9］及其优化算法YOLOv2［10］、YOLOv3［11］等。二阶法的代表网络为区域卷积神经网络（Region Convolutional Neural Network，RCNN）［5］及其优化算法快速区域卷积神经 网 络（Fast Region Convolutional Neural Network，Fast RCNN）［6］和更快的区域卷积神经网络（Faster Region Convolutional Neural Network，Faster RCNN）［7］。一阶法的优势在于检测速度快，但检测精度略低，二阶法的优势在于检测精度高，但检测速度较慢。

由于台风各个阶段尺寸与纹理结构差异较大，存在识别难度大、准确率低的问题，同时鉴于传统的图像处理算法的鲁棒性、准确性等问题，本文选择Faster RCNN 作为台风云系识别基础框架。……