相关实验视频
Updated: Jun 30, 2026

08:58
Artificial Intelligence Approaches to Assessing Primary Cilia
Published on: May 1, 2021
3.5K
人工智能方法用于对上大气层短暂发光事件的图像进行分类
1Department of Electrical and Computer Engineering, University of Puerto Rico at Mayaguez, Mayagüez, PR 00681, USA.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
使用CNN和视觉转换器等深度学习模型自动对短暂发光事件 (TLEs) 的分类显著提高了效率. ResNet50在识别这些高层大气现象方面表现出最高的准确性.
科学领域:
- 大气物理大气物理学
- 地质物理学 地质物理学
- 计算机科学 计算机科学
背景情况:
- 短暂的发光事件 (TLEs) 是高层大气中短暂的光学现象,与雷暴有关.
- 由于其快速和不可预测的性质,对TLEs的手动分类具有挑战性.
研究的目的:
- 开发和评估用于分类TLE的自动化方法.
- 为了比较卷积神经网络 (CNN) 和视觉转换器 (ViT) 的性能,用于TLE分类.
主要方法:
- 使用了最先进的深度学习模型:视觉转换器 (ViT),ResNet50,ResNet18,googLeNet和SqueezeNet.
- 采用数据增强 (旋转,翻译,翻转) 和图像预处理 (双边过).
- 基于分类准确性和执行时间的评估模型.
主要成果:
- 所有测试的模型都实现了对TLE的高分类准确性.
- 在评估的架构中,ResNet50表现出最高的准确性.
- 在不同模型中观察到分类准确度和执行速度之间的权衡.
结论:
- 深度学习,特别是使用预先训练有素的CNN进行转移学习,对于自动化的TLE分类是有效的.
- 模型选择需要根据特定应用需求平衡精度和计算效率.

