基于CornerNet-Saccade的太阳黑子群磁分类研究

摘要

太阳黑子与太阳活动联系紧密,是太阳表面强磁场的典型表现,如大部分太阳耀斑爆发在复杂的太阳黑子群上方.研究太阳黑子群磁分类对太阳耀斑的预测具有重要意义,因此针对黑子群分类问题制作了太阳黑子群磁分类数据集,基于深度学习目标检测算法CornerNet-Saccade设计了CNSF(CornerNet-Saccade-Fast)算法,改进了CornerNet-Saccade的边界框回归(Bounding Box Regression)和边界框融合阶段,提高了在太阳黑子群磁分类数据集上的检测精度.此外,通过精简骨干网络提高了检测效率.实验结果显示,CNSF在太阳黑子群磁分类上具有良好的性能,其Precision和Recall均达到了0.93,mAP达到了0.91.相较于CornerNet-Saccade,CNSF在检测精度和效率上分别提升了约4％和13％.