面向日地空间安全的大规模极光图像检索研究

Aurora is the only geophysical phenomena which can be observed by naked eyes to reflect the activities in solar-terrestrial space. Selecting informative data and analyzing important data from the big aurora data can benefit the research on the interaction between solar wind and the earth’s magnetosphere, which provides reliable technical guarantee for solar-terrestrial space security. However, due to the differences of imaging principle and image content between aurora images and natural images, the ways of feature extraction in current retrieval systems are hard to meet the need of large-scale aurora image retrieval. To achieve the aims of indexing the query images comprehensively, analyzing the important images accurately and predict the special images in real time, this project introduces the imaging characteristics of aurora and the technique of convolutional neural network (CNN) into the framework of content-based image retrieval, and thus proposes a multi-level CNN model, a hierarchical CNN model and a salient CNN model to improve the recall, precision and efficiency of large-scale aurora image retrieval system, respectively. This project has the innovations of extracting polar deep feature effectively, integrating contextual semantic information reasonably, and conducting multidisciplinary research harmonically, and is able to assist physicists for their work on solar-terrestrial space modeling and forecasting.

极光是唯一能够用肉眼观测到的反映日地空间作用过程的地球物理现象，对极光有效数据的筛选和关键数据的分析可以帮助人类在有限时间内获取太阳风与地球磁场活动的大量信息，为日地空间安全提供可靠的技术保障。由于极光成像原理和图像内容不同于自然图像，现有检索系统的特征提取方式难以满足大规模极光图像检索的需求。为了解决这个问题，本项目拟从基于内容的图像检索技术出发，结合极光成像特点和深度学习模型，针对查询图像全面统计、重点图像精确分析和特殊图像实时预测的任务需求，分别设计基于多级卷积神经网络、分层卷积神经网络和显著域卷积神经网络的图像检索算法，以提高大规模极光图像检索系统的查全率、查准率和速度性能。本项目具有极化深度特征的有效提取、上下文语义信息的合理融合和多学科交叉合作的协同开展三个创新点，能够辅助物理学者完成日地空间的建模和预测工作。

极光是唯一能够用肉眼观测到的反映日地空间作用过程的地球物理现象，对极光有效数据的筛选和关键数据的分析可以帮助人类在有限时间内获取太阳风与地球磁场活动的大量信息，为日地空间安全提供可靠的技术保障。由于极光成像原理和图像内容不同于自然图像，现有检索系统的特征提取方式难以满足大规模极光图像检索的需求。为了解决这个问题，本项目从基于内容的图像检索技术出发，结合极光成像特点和深度学习模型，针对查询图像全面统计、重点图像精确分析和特殊图像实时预测的任务需求，分别设计了基于多级卷积神经网络、分层卷积神经网络和显著域卷积神经网络的图像检索算法，提高了大规模极光图像检索系统的查全率、查准率和速度性能。本项目具有极化深度特征的有效提取、上下文语义信息的合理融合和多学科交叉合作的协同开展三个创新点，能够辅助物理学者完成日地空间的建模和预测工作。.本项目的研究成果包括：培养优青人才1名，博士毕业生2名，在读博士生2名，硕士毕业生2名，在读硕士生8名；发表与课题相关并标注本基金资助的学术论文共计14篇；其中SCI检索（包括待检索）10篇，包括中科院二区以上论文10篇；在申请中国家发明专利6项。项目负责人入选陕西省青年科技新星、中国电子学会青年人才托举计划、陕西省高校科协青年人才托举工程，获陕西省优秀博士学位论文奖、西安电子科技大学优秀博士论文奖、ACM西安新星奖。