小样本突现视频大数据深度学习及其在太阳风暴中应用研究

This project explores deep learning techniques for small-sample emergent big video data. The small-sample emergent video data,e.g. the solar storm video, has the following remarkable features: a small video sample size, rapid emergence of video data, and a long event time span. We carry out our research from the aspects of sample acquisition, feature extraction, and event discovery, etc.We try to solve the key scientific problems in small-sample emergent big video data deep learning technologies such as the effective acquisition of high-quality video samples, the time-efficient feature extraction of emergent big video data and the accurate discovery of inter-temporal video events. Moreover, it forms a set of deep learning theories and methods for small-sample emergent big video data, which use the solar storms as the application background. In addition, we carry out the verification for typical solar storm applications such as solar flare forecasting and coronal mass ejection forecasting. The results of this project will enrich the theoretical system and key technologies of deep neural networks, provide theoretical support for the forecasting of solar storms, and effectively promote the development of deep learning technologies.

本项目探索小样本突现视频大数据的深度学习技术，以太阳风暴视频为典型实例的小样本突现视频大数据，具有如下显著特点：视频样本规模小、视频数据突现快、事件时间跨度长，从样本获取、特征提取、事件发现等层面开展研究，解决小样本突现视频大数据深度学习中小规模视频样本的保质扩容、突现视频大数据特征的时效提取、跨时长视频事件的精准发现等关键科学问题，形成一套以太阳风暴为应用背景的小样本突现视频大数据深度学习的理论与方法，并针对太阳耀斑预报、日冕物质抛射预报等典型太阳风暴应用开展成果验证。本项目成果将丰富深度学习的理论体系和关键技术，为太阳风暴预报等多种典型应用提供理论支撑，有力推动深度学习技术的发展。

近年来，已经有研究者意识到了深度学习技术对灾害预报的研究价值， 刚刚开始有工作尝试将深度学习的方法应用到太阳耀斑的预报中。以太阳风暴视频为典型实例的小样本突现视频数据，具有如下显著特点：视频样本规模小、视频数据突现快、事件时间跨度长。针对此背景，本项目探索小样本突现视频大数据的深度学习技术，主要从样本获取、特征提取、事件发现等层面开展研究，瞄准解决小样本突现视频大数据深度学习中小规模视频样本的保质扩容、突现视频大数据特征的时效提取、跨时长视频事件的精准发现等关键科学问题，目标是形成一套以太阳风暴为应用背景的小样本突现视频大数据深度学习的理论与方法，并针对太阳耀斑预报、日冕物质抛射预报等典型太阳风暴应用开展成果验证。项目研究整体开展顺利，围绕先前设定的研究任务取得了若干重要科研成果：在样本扩容方面，提出一种基于跨粒度学习的多源多域图像风格转换方法；在图像特征表达方面，提出一种基于局部特征提取与全局关系推理结合的细粒度特征获取方法；在异常事件识别发面，提出一种基于迁移学习的异常事件识别方法。特别是针对太阳风暴预测，本项目提出了一种基于卫星时序观测图像的深度学习算法，首次基于深度学习将太阳风暴到达地球时间进行完整预测。我们收集了1996年至2018年的2400个部分/全晕的CME事件及其相应的图像，地质效应预测的F1得分和准确率分别可以达到0.270%和75.1%，到达时间预测的平均绝对误差仅为5.8小时，达到了业内领先水平。本项目在深度学习理论与应用方面取得的成果可以丰富深度学习的理论体系和关键技术，为太阳风暴预报等多种典型应用提供理论支撑。基于本项目取得的部分成果，项目组成员参加了国防科技创新特区人工智能挑战赛“ 太阳黑子类型智能分类”竞赛，在455支参赛队伍中荣获全国第一名。同时，在本项目研究中取得的部分成果，也有力支撑了项目组成员参与获得了中国电子学会科技进步一等奖。