CN108229589A - 一种基于迁移学习的地基云图分类方法 - Google Patents

一种基于迁移学习的地基云图分类方法 Download PDF

Info

Publication number
CN108229589A
CN108229589A CN201810132251.3A CN201810132251A CN108229589A CN 108229589 A CN108229589 A CN 108229589A CN 201810132251 A CN201810132251 A CN 201810132251A CN 108229589 A CN108229589 A CN 108229589A
Authority
CN
China
Prior art keywords
cloud atlas
obtains
ground cloud
feature
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810132251.3A
Other languages
English (en)
Other versions
CN108229589B (zh
Inventor
张重
李东红
刘爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Tianjin Normal University
Original Assignee
Tianjin Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Normal University filed Critical Tianjin Normal University
Priority to CN201810132251.3A priority Critical patent/CN108229589B/zh
Publication of CN108229589A publication Critical patent/CN108229589A/zh
Application granted granted Critical
Publication of CN108229589B publication Critical patent/CN108229589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于迁移学习的地基云图分类方法，该方法包括以下步骤：构建提取特征的目标网络；将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。本发明利用迁移学习得到的目标网络进行特征提取，并利用权重垂直池化进行特征向量表示，能够挖掘具有完备的和包含空间信息的特征，从而提高地基云图分类的正确率。

Description

一种基于迁移学习的地基云图分类方法
技术领域
本发明属于模式识别、人工智能技术领域，具体涉及一种基于迁移学习的地基云图分类方法。
背景技术
云是一种重要的天气现象，通常状况下，云覆盖地球表面50％左右，它在天气预报中起着关键作用，是地球气候系统的重要影响因素。地基云观测是一种重要的云观测方式，实现地基云图自动分类对气候分析、大气环流模式和数值天气预报等具有重要的意义。目前，国内外均已经着手开展相关领域的研究工作。Buch等人对WSI云图进行了分类，主要考察云图的纹理特征、位置信息和像元亮度信息，纹理特征采用了LAWS纹理分析法。运用二元决策树进行高积云、卷云、层云、积云和晴空等5种天空类型的判断。Singh等人对数字相机得到的云图进行分类，通过自相关法、灰度共生矩阵法、LAWS能量法等提取出上百种云特征，对积云、浓积云、积雨云、天空和其他云类这5种天空类型分类。Calbo等人采用位于不同地区的TSI和WSC所采集的数据，通过抽取原始图像的统计信息、傅里叶变换图像信息和有云无云点的信息对晴空、波状云、卷云、层状云和积状云5类天空类型进行分类。Liu等人提出显著性局部二值模式(Salient Local Binary Pattern，SLBP)来表示云图并对其分类。Shi等人证明了在地基云图分类中使用卷积激活值来表示特征能得到较高的分类准确率。以上方法都是在同一个数据库做训练和测试，只是在所训练的数据库能得到好的分类结果，并不能泛化到其他数据库。在现实生活中，存在着各种各样的地基云图数据库，因为它们是由不同的气象站收集的，在拍摄地点、摄像机的分辨率、光照等方面均存在差异，也就是说每个数据库的地基云图存在很大的差异，而以上方法对于其他数据库均缺少泛化性。
发明内容
本发明的目的是要解决地基云图分类问题，为此，本发明提供一种基于迁移学习的地基云图分类方法。
为了实现所述目的，本发明提出一种基于迁移学习的地基云图分类方法，所述方法包括以下步骤：
步骤S1，构建提取特征的目标网络；
步骤S2，将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；
步骤S3，基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；
步骤S4，将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。
可选地，所述步骤S1包括以下步骤：
步骤S11，选择m个预训练网络模型进行初始化，将预训练网络模型末端的输出个数均修改为地基云图的类别数目D，其中m为自然数，m＝2，3，…；
步骤S12，使用连接函数将所述m个预训练网络模型的输出向量进行连接，得到输出向量f；
步骤S13，将所述输出向量f输入到全连接层中，得到m维向量x；
步骤S14，将所述向量x输入到柔性最大值函数中，得到分类预测值
步骤S15，根据所述分类预测值和预先得到的分类真实值pi，使用交叉熵损失函数计算损失值Loss，最终构建得到提取特征的目标网络。
可选地，所述步骤S2包括以下步骤：
步骤S21，将多幅来自源域和目标域的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；
步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；
步骤S23，将所述相似图像对和非相似图像对作为所述目标网络的输入，进行迁移学习，得到特征提取训练模型。
可选地，m＝2。
可选地，所述步骤S23包括以下步骤：
步骤S231，将每个图像对的两张图像分别输入到所述目标网络中的两个预训练网络模型中，以权重共享的方式进行前向传播，得到所述向量x，并计算损失值Loss；
步骤S232，计算所述损失值Loss的导数，通过反向传播对所述目标网络的参数进行更新，得到所述特征提取训练模型。
可选地，所述步骤S3包括以下步骤：
步骤S31，将源域和目标域除训练地基云图外的地基云图作为测试地基云图，并获取每幅测试地基云图的类别标签；
步骤S32，将所述测试地基云图输入到所述特征提取训练模型中，选择所述特征提取训练模型中的一个卷积层，得到卷积激活图H×W×N，其中，H和W分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目；
步骤S32，基于所述卷积激活图中每个位置的N个卷积激活值t∈R1×1拟合得到单高斯模型，进而得到H×W个单高斯模型；
步骤S33，根据所述单高斯模型计算每个位置对应的单高斯概率g(ti),i∈[1,N]，并进行权重池化，得到该位置的最终响应G(t)，对于所述卷积激活图，得到一个大小为H×W的响应特征图；
步骤S34，将步骤S33计算得到的大小为H×W的响应特征图表示成一个特征向量T∈R(H×W)×1，即每张测试地基云图最终可以表示成特征向量T。
可选地，所述分类器为径向基函数核SVM分类器。
本发明的有益效果为：本发明利用迁移学习得到的目标网络进行特征提取，并利用权重垂直池化进行特征向量表示，能够挖掘具有完备的和包含空间信息的特征，从而提高地基云图分类的正确率。
需要说明的是，本发明得到了国家自然科学基金项目No.61501327、No.61711530240，天津市自然科学基金重点项目No.17JCZDJC30600，天津市应用基础与前沿技术研究计划青年基金项目No.15JCQNJC01700，天津师范大学“青年科研拔尖人才培育计划”No.135202RC1703，模式识别国家重点实验室开放课题基金No.201700001、No.201800002，中国国家留学基金No.201708120040、No.201708120039的资助。
附图说明
图1是根据本发明一实施例的基于迁移学习的地基云图分类方法的流程图。
图2是根据本发明一实施例构建的目标网络的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
图1是根据本发明一实施例的基于迁移学习的地基云图分类方法的流程图，下面以图1为例来说明本发明的一些具体实现流程。本发明的方法是一种基于迁移学习的地基云图分类方法，其具体步骤包括：
步骤S1，构建提取特征的目标网络，图2显示了根据本发明一实施例构建的目标网络的结构框图；
其中，所述步骤S1包括以下步骤：
步骤S11，选择m个深度学习中典型的预训练网络模型进行初始化，将预训练网络模型末端的输出个数均修改为地基云图的类别数目D，其中m为自然数，m＝2，3，…；
在本发明一实施例中，m＝2，即选择两个预训练网络模型进行初始化，这两个预训练网络模型的权重共享，所述两个预训练网络模型可以从以下网络模型中选择：CaffeNet、VGG19、ResNet-50；将对7类地基云图进行分类，故D＝7。
步骤S12，使用一个连接函数将所述m个预训练网络模型的输出向量进行连接，得到输出向量f；
在本发明一实施例中，m＝2，两个预训练网络模型的输出向量可表示为f1∈RD×1和f2∈RD×1，那么输出向量f可以表示为：
f＝(f1-f2)2
步骤S13，将所述输出向量f输入到一个全连接层中，得到一个m维向量x：
x＝θ*f
其中，x＝(x1,x2L xm)，*表示卷积运算，θ是全连接层的参数。
步骤S14，将所述向量x输入到一个柔性最大值函数中，得到分类预测值
其中，所述分类预测值满足：所述分类预测值对应的分类真实值pi满足：p1+p2＝1，对于相似图像对，p1＝1,p2＝0；对于非相似图像对，p1＝0,p2＝1。
步骤S15，根据所述分类预测值和预先得到的分类真实值pi，使用交叉熵损失函数计算损失值Loss，最终构建得到提取特征的目标网络，其中，损失值Loss可表示为：
其中，当p1＝1,p2＝0时，
当p1＝0,p2＝1时，
步骤S2，将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；
进一步地，所述步骤S2包括以下步骤：
步骤S21，将多幅来自源域(一个数据库)和目标域(另一个数据库)的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；
步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；
步骤S23，将所述相似图像对和非相似图像对作为所述目标网络的输入，进行迁移学习，得到特征提取训练模型。
在本发明一实施例中，输入所述目标网络的相似图像对和非相似图像对的比例为1:1，采用迭代训练方法，训练过程中每次迭代的输入均取12对，迭代次数为75次，学习速率初始化为0.001，但在最后的5次迭代中取0.0001。
在本发明一实施例中，m＝2，在该实施例中，所述步骤S23包括以下步骤：
步骤S231，将每个图像对的两张图像分别输入到所述目标网络中的两个预训练网络模型中，以权重共享的方式进行前向传播，得到所述向量x，如图2所示，并计算损失值Loss；
步骤S232，计算所述损失值Loss的导数，通过反向传播对所述目标网络的参数进行更新，得到所述特征提取训练模型。
其中，当p1＝1,p2＝0时，
当p1＝0,p2＝1时，
步骤S3，基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；
进一步地，所述步骤S3包括以下步骤：
步骤S31，将源域和目标域剩下的地基云图作为测试地基云图，并获取每幅测试地基云图的类别标签；
步骤S32，将所述测试地基云图输入到所述特征提取训练模型中，选择所述特征提取训练模型中的一个卷积层，得到卷积激活图H×W×N，其中，H和W分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目；
在本发明一实施例中，H×W×N＝32×32×256。
步骤S32，基于所述卷积激活图中每个位置的N个卷积激活值t∈R1×1拟合得到单高斯模型，进而得到H×W个单高斯模型，其中，每个位置的单高斯模型g(t)表示为：
其中，μ和σ分别表示卷积激活值t的均值和标准差。
步骤S33，根据所述单高斯模型计算每个位置对应的单高斯概率g(ti),i∈[1,N]，并进行权重池化，即将每个位置对应的单高斯概率作为权重值，与该位置的卷积激活值相乘，得到该位置的最终响应G(t)，对于所述卷积激活图，得到一个大小为H×W的响应特征图；
其中，响应G(t)表示为：
步骤S34，将步骤S33计算得到的大小为H×W的响应特征图表示成一个特征向量T∈R(H×W)×1，即每张测试地基云图最终可以表示成特征向量T。
在本发明一实施例中，每张测试地基云图最终可以表示成一个32×32＝1024维的特征向量。
步骤S4，将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。
在本发明一实施例中，所述分类器使用径向基函数核(Radial BasisFunction，RBF)的SVM分类器。
以中国气象科学研究院和中国科学院物理研究所采集的地基云图数据库分别作为源域和目标域，地基云图识别的正确率为79.4％，由此可见本发明方法的有效性。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (7)

1.一种基于迁移学习的地基云图分类方法，其特征在于，该方法包括以下步骤：
步骤S1，构建提取特征的目标网络；
步骤S2，将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；
步骤S3，基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；
步骤S4，将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：
步骤S11，选择m个预训练网络模型进行初始化，将预训练网络模型末端的输出个数均修改为地基云图的类别数目D，其中m为自然数，m＝2，3，…；
步骤S12，使用连接函数将所述m个预训练网络模型的输出向量进行连接，得到输出向量f；
步骤S13，将所述输出向量f输入到全连接层中，得到m维向量x；
步骤S14，将所述向量x输入到柔性最大值函数中，得到分类预测值
步骤S15，根据所述分类预测值和预先得到的分类真实值pi，使用交叉熵损失函数计算损失值Loss，最终构建得到提取特征的目标网络。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：
步骤S21，将多幅来自源域和目标域的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；
步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；
步骤S23，将所述相似图像对和非相似图像对作为所述目标网络的输入，进行迁移学习，得到特征提取训练模型。
4.根据权利要求3所述的方法，其特征在于，m＝2。
5.根据权利要求4所述的方法，其特征在于，所述步骤S23包括以下步骤：
步骤S231，将每个图像对的两张图像分别输入到所述目标网络中的两个预训练网络模型中，以权重共享的方式进行前向传播，得到所述向量x，并计算损失值Loss；
步骤S232，计算所述损失值Loss的导数，通过反向传播对所述目标网络的参数进行更新，得到所述特征提取训练模型。
6.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：
步骤S31，将源域和目标域除训练地基云图外的地基云图作为测试地基云图，并获取每幅测试地基云图的类别标签；
步骤S32，将所述测试地基云图输入到所述特征提取训练模型中，选择所述特征提取训练模型中的一个卷积层，得到卷积激活图H×W×N，其中，H和W分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目；
步骤S32，基于所述卷积激活图中每个位置的N个卷积激活值t∈R1×1拟合得到单高斯模型，进而得到H×W个单高斯模型；
步骤S33，根据所述单高斯模型计算每个位置对应的单高斯概率g(ti),i∈[1,N]，并进行权重池化，得到该位置的最终响应G(t)，对于所述卷积激活图，得到一个大小为H×W的响应特征图；
步骤S34，将步骤S33计算得到的大小为H×W的响应特征图表示成一个特征向量T∈R(H ×W)×1，即每张测试地基云图最终可以表示成特征向量T。
7.根据权利要求1所述的方法，其特征在于，所述分类器为径向基函数核SVM分类器。
CN201810132251.3A 2018-02-09 2018-02-09 一种基于迁移学习的地基云图分类方法 Active CN108229589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810132251.3A CN108229589B (zh) 2018-02-09 2018-02-09 一种基于迁移学习的地基云图分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810132251.3A CN108229589B (zh) 2018-02-09 2018-02-09 一种基于迁移学习的地基云图分类方法

Publications (2)

Publication Number Publication Date
CN108229589A true CN108229589A (zh) 2018-06-29
CN108229589B CN108229589B (zh) 2021-10-15

Family

ID=62671101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810132251.3A Active CN108229589B (zh) 2018-02-09 2018-02-09 一种基于迁移学习的地基云图分类方法

Country Status (1)

Country Link
CN (1) CN108229589B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985378A (zh) * 2018-07-20 2018-12-11 天津师范大学 一种基于混合交叉深度网络的域自适应方法
CN109034218A (zh) * 2018-07-11 2018-12-18 东软集团股份有限公司 模型训练方法、装置、设备及存储介质
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN110659744A (zh) * 2019-09-26 2020-01-07 支付宝(杭州)信息技术有限公司 训练事件预测模型、评估操作事件的方法及装置
CN110825853A (zh) * 2018-08-07 2020-02-21 阿里巴巴集团控股有限公司 数据训练方法和装置
CN111325239A (zh) * 2020-01-21 2020-06-23 上海眼控科技股份有限公司 一种基于图像的天气识别的方法及设备
CN112288129A (zh) * 2020-09-18 2021-01-29 浙江大学 一种基于迁移学习和地基云图的超短期光伏功率预测模型
CN112508255A (zh) * 2020-12-01 2021-03-16 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统
CN113435539A (zh) * 2021-07-21 2021-09-24 天津大学 基于深度学习的面向南极夜空云图的云量等级分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393914A (zh) * 2011-10-28 2012-03-28 华中科技大学 一种基于支持向量机分类树的地基云图识别方法
CN103412003A (zh) * 2013-08-21 2013-11-27 电子科技大学 基于半监督领域自适应的气体检测方法
CN104866869A (zh) * 2015-05-29 2015-08-26 武汉大学 基于分布差异与增量学习的时序sar图像分类方法
CN105608450A (zh) * 2016-03-01 2016-05-25 天津中科智能识别产业技术研究院有限公司 基于深度卷积神经网络的异质人脸识别方法
US20160196328A1 (en) * 2010-01-06 2016-07-07 International Business Machines Corporation Cross-domain clusterability evaluation for cross-guided data clustering based on alignment between data domains
CN107392237A (zh) * 2017-07-10 2017-11-24 天津师范大学 一种基于迁移视觉信息的交叉域地基云图分类方法
CN107527068A (zh) * 2017-08-07 2017-12-29 南京信息工程大学 基于cnn和域自适应学习的车型识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160196328A1 (en) * 2010-01-06 2016-07-07 International Business Machines Corporation Cross-domain clusterability evaluation for cross-guided data clustering based on alignment between data domains
CN102393914A (zh) * 2011-10-28 2012-03-28 华中科技大学 一种基于支持向量机分类树的地基云图识别方法
CN103412003A (zh) * 2013-08-21 2013-11-27 电子科技大学 基于半监督领域自适应的气体检测方法
CN104866869A (zh) * 2015-05-29 2015-08-26 武汉大学 基于分布差异与增量学习的时序sar图像分类方法
CN105608450A (zh) * 2016-03-01 2016-05-25 天津中科智能识别产业技术研究院有限公司 基于深度卷积神经网络的异质人脸识别方法
CN107392237A (zh) * 2017-07-10 2017-11-24 天津师范大学 一种基于迁移视觉信息的交叉域地基云图分类方法
CN107527068A (zh) * 2017-08-07 2017-12-29 南京信息工程大学 基于cnn和域自适应学习的车型识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAEID MOTIIAN等: ""Unified Deep Supervised Domain Adaptation and Generalization"", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 *
张振: ""基于深度学习的全天空云图分类方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034218A (zh) * 2018-07-11 2018-12-18 东软集团股份有限公司 模型训练方法、装置、设备及存储介质
CN108985378A (zh) * 2018-07-20 2018-12-11 天津师范大学 一种基于混合交叉深度网络的域自适应方法
CN110825853A (zh) * 2018-08-07 2020-02-21 阿里巴巴集团控股有限公司 数据训练方法和装置
CN110825853B (zh) * 2018-08-07 2023-05-26 阿里巴巴集团控股有限公司 数据训练方法和装置
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN110659744A (zh) * 2019-09-26 2020-01-07 支付宝(杭州)信息技术有限公司 训练事件预测模型、评估操作事件的方法及装置
CN110659744B (zh) * 2019-09-26 2021-06-04 支付宝(杭州)信息技术有限公司 训练事件预测模型、评估操作事件的方法及装置
CN111325239A (zh) * 2020-01-21 2020-06-23 上海眼控科技股份有限公司 一种基于图像的天气识别的方法及设备
CN112288129A (zh) * 2020-09-18 2021-01-29 浙江大学 一种基于迁移学习和地基云图的超短期光伏功率预测模型
CN112508255A (zh) * 2020-12-01 2021-03-16 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统
CN112508255B (zh) * 2020-12-01 2021-09-07 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统
CN113435539A (zh) * 2021-07-21 2021-09-24 天津大学 基于深度学习的面向南极夜空云图的云量等级分类方法

Also Published As

Publication number Publication date
CN108229589B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN108229589A (zh) 一种基于迁移学习的地基云图分类方法
Jia et al. Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot
CN109977918B (zh) 一种基于无监督域适应的目标检测定位优化方法
CN109255364A (zh) 一种基于深度卷积生成对抗网络的场景识别方法
CN109949316A (zh) 一种基于rgb-t融合的电网设备图像弱监督实例分割方法
CN112070729B (zh) 一种基于场景增强的anchor-free遥感图像目标检测方法及系统
Mahmon et al. A review on classification of satellite image using Artificial Neural Network (ANN)
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN108596101A (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN109325495A (zh) 一种基于深度神经网络建模的作物图像分割系统及方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN113128335B (zh) 微体古生物化石图像检测、分类及发现方法、系统及应用
CN109636846B (zh) 基于循环注意力卷积神经网络的目标定位方法
CN108875076A (zh) 一种基于Attention机制和卷积神经网络的快速商标图像检索方法
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
CN106570874A (zh) 一种结合图像局部约束与对象全局约束的图像标记方法
CN108629368A (zh) 一种基于联合深度融合的多模态地基云分类方法
CN109508756B (zh) 一种基于多线索多模态融合深度网络的地基云分类方法
CN110516723A (zh) 一种基于深度张量融合的多模态地基云图识别方法
CN109635726A (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
Karagiannis et al. Deep learning for detection of railway signs and signals
Du et al. Training SegNet for cropland classification of high resolution remote sensing images
CN112084989A (zh) 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
CN115082785A (zh) 一种高原鼠兔型退化草甸秃斑特征的判别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant