CN111008604A - 预测图像获取方法、装置、计算机设备和存储介质 - Google Patents
预测图像获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111008604A CN111008604A CN201911251476.1A CN201911251476A CN111008604A CN 111008604 A CN111008604 A CN 111008604A CN 201911251476 A CN201911251476 A CN 201911251476A CN 111008604 A CN111008604 A CN 111008604A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- result
- network
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 130
- 238000004590 computer program Methods 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013213 extrapolation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000002592 echocardiography Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请涉及一种预测图像获取方法、装置、计算机设备和存储介质。该方法包括：获取多个历史时刻的初始图像；采用预设的机器学习网络，对初始图像进行识别，得到初始图像对应的机器预测结果图像；获取基于初始图像的人工预测结果图像；采用预设的预测网络将机器预测结果图像和人工预测结果图像进行融合和识别，得到预测图像。采用本方法能够提高预测图像的准确度和质量，进而使得预报结果更准确。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种预测图像获取方法、装置、计算机设备和存储介质。
背景技术
为了对雷暴等灾害性天气进行准确的预报，以保证人们的生产和生活，人们采用对流天气未来几小时的对流临近预报。
目前，对流临近预报主要是以自动外推技术为基础的专家系统,基于交叉相关追踪的算法,利用求雷达回波最优空间相关的方法,建立不同时次雷达回波的最佳拟合关系,从而达到追踪一定区域内雷达回波在过去的移动特征,然后通过这些回波移动特征来外推确定回波未来的位置和形状。这种算法通常也被称作区域追踪。
然而传统的区域追踪的算法模型，所得到的预测图像无法解决雷达回波外推过程中存在的生消问题，因此预测得到的图像不准确，导致预测结果不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预测图像准确度的预测图像获取方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供一种预测图像获取方法，所述方法包括：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
在其中一个实施例中，所述预测网络包括融合子网络和识别子网络，所述采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像，包括：
采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；
采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。
在其中一个实施例中，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。
在其中一个实施例中，所述鉴别器包括真实性鉴别器，所述真实性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；
采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练；
在其中一个实施例中，所述鉴别器包括连续性鉴别器，所述连续性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
在其中一个实施例中，所述生成器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；
将所述卷积结果的真实标签设置为真，得到更新卷积结果；
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；
采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
在其中一个实施例中，所述将所述图片损失、所述更新卷积结果对应的真实鉴别结果和连续鉴别结果的交叉商损失值进行叠加并计算梯度，得到综合梯度之前，还包括：
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。
第二方面，本申请实施例提供一种预测图像获取装置，所述装置包括：
第一获取模块，用于获取多个历史时刻的初始图像；
识别模块，用于采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
第二获取模块，用于获取基于所述初始图像的人工预测结果图像；
预测模块，用于采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
上述预测图像获取方法、装置、计算机设备和存储介质，计算机设备采用预设的机器学习网络，对初始图像进行识别，得到初始图像对应的机器预测结果图像，并采用预设的预测网络将机器预测结果图像和人工预测结果图像进行融合和识别，得到预测图像，因此实现了将传统外推计算方法和机器智能优化方法相结合，即在机器学习算法的识别结果上加入人工先验信息，从而减少了人工作业的复杂度，同时极大地提高了预测图像的获取速度和预测图像的准确度，进一步提升了临近雷达回波外推的效率，使得在利用少量计算机资源的条件下得到质量更好的雷达回波的预测图像，进而使得预报速度与预报的准确度也大大提高。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例提供的预测图像获取方法的流程示意图；
图2a为一个实施例提供的预测图像获取方法的实现流程示意图；
图3为一个实施例提供的真实性鉴别器的训练流程示意图；
图4为一个实施例提供的连续性鉴别器的训练流程示意图；
图5为一个实施例提供的生成器的训练流程示意图；
图6为一个实施例提供的预测图像获取装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的预测图像获取方法，可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的机器学习网络和预测网络，有关机器学习网络和预测网络的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。当然，输入装置和显示屏也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
需要说明的是，下述方法实施例的执行主体可以是预测图像获取装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的预测图像获取方法的流程示意图。本实施例涉及的是计算机设备自动确定预测图像的具体过程。如图2所示，该方法包括：
S10、获取多个历史时刻的初始图像。
具体的，计算机设备获取雷达拍摄的多个初始图像，这多个初始图像表征连续时刻的气象图像，可以是计算机设备读取存储器存储的初始图像，也可以是计算机设备接收其他设备发送的初始图像，还可以是将雷达拍摄的连续历史时刻的气象图像进行预处理得到的，可选地，该预处理可以包括归一化处理，筛选处理或者插值处理，对此本实施例不做限定。
可选地，计算机设备可以获取多个历史时刻的原始图像，这些原始图像为雷达拍摄所得到的连续时刻的气象图像。然后，计算机设备对多个原始图像进行归一化处理，例如相同尺寸的剪裁，或者将部分或全部的原始图像进行升采样或降采样从而保持相同像素大小，得到归一化原始图像。计算机设备对归一化原始图像进行填补，例如采用插值的方式进行补充，从得到多个初始图像。例如计算机设备获取预测时刻t前的t-10～t-1时刻的十张图片，对这十张图片进行归一化处理，例如统一进行剪裁，得到大小统一为128×128的十张归一化原始图像St-10～St-1，然后将这十张归一化原始图像按照预设的预测时长t，进行处理，得到表征所有历史时刻的气象状态的初始图像S1～St-1，基于更多的历史时刻的初始图像，能够充分学习t时刻之前的气象状态，进而使得所得到的预测图像为合理和准确。
S20、采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像。
具体的，计算机设备将上述多个初始图像输入预设的机器学习网络，该机器学习网络能够对这多个初始图像分别进行识别，从而得到每个初始图像所对应的机器预测结果图像。需要说明的是，该机器学习网络为基于机器学习的算法所训练得到的网络。
S30、获取基于所述初始图像的人工预测结果图像。
具体的，技术人员可以使用传统临近外推方法对每个初始图像进行简明播报，在计算机上快速绘制简明预报结果，从而得到每个初始图像对应的人工预测结果图像。
S40、采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
具体的，计算机设备将机器预测结果图像和所述人工预测结果图像输入预设的预测网络，该预测网络将预测结果图像和所述人工预测结果图像进行融合，并对融合的结果进行特征提取，从而得到从而得到表征未来连续时刻的气象状态的多个预测图像。需要说明的是，上述预测网络对两种图像进行融合，可以是将两个图像对应位置的向量进行运算，例如相乘或者求和，或者是不同的图像乘以对应的权重再叠加等方式，从而得到融合了内容特征和动态特征的预测图像。
本实施例中，计算机设备采用预设的机器学习网络，对初始图像进行识别，得到初始图像对应的机器预测结果图像，并采用预设的预测网络将机器预测结果图像和人工预测结果图像进行融合和识别，得到预测图像，因此实现了将传统外推计算方法和机器智能优化方法相结合，即在机器学习算法的识别结果上加入人工先验信息，从而减少了人工作业的复杂度，同时极大地提高了预测图像的获取速度和预测图像的准确度，进一步提升了临近雷达回波外推的效率，使得在利用少量计算机资源的条件下得到质量更好的雷达回波的预测图像，进而使得预报速度与预报的准确度也大大提高。
可选地，上述预测网络可以包括融合子网络和识别子网络，上述步骤S40 的一种可能的实现方式可以包括：采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。具体的，计算机设备将上述机器预测结果图像和人工预测结果图像进行融合，得到多个融合图像，每个融合图像为一个初始图像的预测结果图像和该初始图像的人工预测结果图像进行融合的结果，因此，三者为一一对应的关系。之后，计算机设备将上述多个融合图像输入识别子网络，该识别子网络为基于深度学习算法的神经网络模型，该识别子网络对每个融合图像进行识别，得到每个融合图像对应的序列，并将每个融合图像的序列进行整理和可视化处理，从而输出每个融合图像对应的预测图像。本实施例中，计算机设备采用融合子网络将机器预测结果图像和对应的人工预测结果图像进行融合，得到多个融合图像，从而实现将传统外推计算方法和机器智能优化方法相结合，即在机器学习算法的识别结果上加入人工先验信息，然后采用识别子网络进行识别，进而识别得到融合图像特征的对多个融合图像分别进行识别处理，从而自动得到多个预测图像，该预测图像为结合了人工先验信息的识别结果，因此该方法能够极大地提高预测图像的获取速度和预测图像的准确度，进而使得预报速度与预报的准确度也大大提高。可选地，该识别子网络包括对抗生成网络(Generative Adversarial Net，简称 GAN)，当识别子网络包括GAN网络，该GAN网络是基于深度学习的网络，其具有强大的信息组合能力，因此在图像处理过程中，避免了采用传统的卷积递归神经网络引起的信息加速丢失以及增加计算资源消耗的问题，在节约计算效率的同时实现对图像中的亮点进行更为合理的处理，提高了预测图像的精确度。
可选地，上述识别子网络是经过训练的神经网络模型，该模型的训练过程可以包括对鉴别器和对生成器的交替训练。具体的，该识别模型每次输入一次训练图像，则通过对该训练图像的输出分别调整鉴别器和生成器，通过多次训练，实现鉴别器和对生成器的交替训练，进而使得鉴别器网路和生成器结合训练，使得该识别模型的输出结果更为准确。
可选地，本申请实施例所提供的预测图像获取方法的实现流程示意图可以参见如图2a所示，输入初始图像S1～St-1，输出预测图像ft～ft+n。其中，n为需要得到的预测时长的时刻点数，能够表征需要预测的时长，n越大表征预测的时间越长，但是相应的预测图像准确度下降，n越小表征预测的时长越短，预测图像的准确度越高。
可选地，在上述实施例的基础上，鉴别器可以包括真实性鉴别器和连续性鉴别器，所述真实性鉴别器的训练过程可以如图3所示，包括：
S31、将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像。
S32、将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度。
S33、采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练。
具体的，计算机设备可以获取训练图像，每个训练图像对应一个真实图像，可选地，该真实图像作为真实值，可以以标签地形式附加在每个训练图像上，训练图像应该包含不同真实值的图像，用于对生成器或者鉴别器输出结果进行比对。计算机设备将训练图像输入生成器，该生成器输出卷积结果，然后计算机设备将卷积结果和这个训练图像对应的真实图像同时输入真实性鉴别器，通过真实性鉴别器输出表征真实鉴别结果的交叉商损失值，根据交叉商损失值得到真实梯度，采用反向传播技术，根据每次输出的真实梯度对真实性鉴别器进行训练，从而完成真实性鉴别器的训练。
本实施例中，计算机设备通过分别对将训练图像输入生成器，得到卷积结果，并将卷积结果和每个训练图像对应的真实图像，输入真实性鉴别器，并根据真实性鉴别器输出的交叉商损失值，得到真实梯度，最后采用反向传播技术，根据真实梯度对真实性鉴别器进行训练，得到训练好的真实性鉴别器从而使得真实性鉴别器更为精准，因此对于图像的真实性鉴别结果也更准确。
可选地，所述连续性鉴别器的训练过程可以如图4所示，包括：
S41、将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
S42、将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
S43、采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
具体的，计算机设备而可以获取训练图像，每个训练图像对应一个真实图像，可选地，该真实图像作为真实值，可以以标签地形式附加在每个训练图像上，训练图像应该包含不同真实值的图像，用于对生成器或者鉴别器输出结果进行比对。计算机设备将训练图像输入生成器，该生成器输出卷积结果，计算机设备将卷积结果和这个训练图像对应的真实图像同时输入连续性鉴别器，通过连续性鉴别器输出的表征连续性鉴别结果的交叉商损失值，根据这个交叉商损失值得到连续梯度，采用反向传播技术，根据每次输出的连续梯度对连续性鉴别器进行训练，从而完成连续性鉴别器的训练。
本实施例中，计算机设备将卷积结果和每个训练图像对应的真实结果，输入连续性鉴别器，并根据连续性鉴别器输出的交叉商损失值，得到连续梯度，最后采用反向传播技术，根据连续梯度对连续性鉴别器进行训练，得到训练好的连续性鉴别，器从而使得连续性鉴别器更为精准，因此对于图像的连续性鉴别结果也更准确。
可选地，在上述实施例的基础上，还可以如图5所示，包括如下生成器的训练过程：
S51、将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像。
S52、将所述卷积结果的标签设置为真，得到更新卷积结果。
S53、计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失。
可选地，计算机设备能够将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值结果；将述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。从而分别得到真实性鉴别器和连续性鉴别器对训练图像鉴别的结果的准确性表征，便于后续进行计算。
S54、将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；
S55、采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
具体的，计算机设备将上述卷积结果的真实标签设置为真，从而得到新的序列作为更新卷积结果。然后计算机设备将更新卷积结果和每个对应的训练图像的真实结果计算均方值误差，从而得到图片损失。计算机设备将上述图片损失、更新卷积结果对应的真实鉴别结果和连续鉴别结果的交叉商损失值进行叠加，例如直接相加或者按照对应的权重进行相加，之后计算梯度，从而得到综合梯度，最后采用反向传播技术，根据综合梯度对生成器进行训练，使得生成器更为精准，因此对于图像的连续性鉴别结果也更准确。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种预测图像获取装置，包括：
第一获取模块100，用于获取多个历史时刻的初始图像；
识别模块200，用于采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
第二获取模块300，用于获取基于所述初始图像的人工预测结果图像；
预测模块400，用于采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
在一个实施例中，所述预测网络包括融合子网络和识别子网络，预测模块 400，具体用于采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像，采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。
在一个实施例中，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。
在一个实施例中，所述鉴别器包括真实性鉴别器，预测模块400，具体用于将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练；
在一个实施例中，预测模块400，具体用于将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
在一个实施例中，预测模块400，具体用于将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；将所述卷积结果的真实标签设置为真，得到更新卷积结果；计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
在一个实施例中，预测模块400，具体用于将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。
关于预测图像获取装置的具体限定可以参见上文中对于预测图像获取方法的限定，在此不再赘述。上述预测图像获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
在一个实施例中，所述预测网络包括融合子网络和识别子网络，处理器执行计算机程序时还实现以下步骤：
采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；
采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。
在一个实施例中，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。
在一个实施例中，所述鉴别器包括真实性鉴别器，处理器执行计算机程序时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；
采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练；
在一个实施例中，所述鉴别器包括连续性鉴别器，处理器执行计算机程序时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；
将所述卷积结果的真实标签设置为真，得到更新卷积结果；
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；
采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。
应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
在一个实施例中，所述预测网络包括融合子网络和识别子网络，计算机程序被处理器执行时还实现以下步骤：
采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；
采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。
在一个实施例中，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。
在一个实施例中，所述鉴别器包括真实性鉴别器，计算机程序被处理器执行时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；
采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练；
在一个实施例中，所述鉴别器包括连续性鉴别器，计算机程序被处理器执行时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；
将所述卷积结果的真实标签设置为真，得到更新卷积结果；
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；
采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。
应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种预测图像获取方法，其特征在于，所述方法包括：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
2.根据权利要求1所述的方法，其特征在于，所述预测网络包括融合子网络和识别子网络，所述采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像，包括：
采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；
采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。
4.根据权利要求3所述的方法，其特征在于，所述鉴别器包括真实性鉴别器，所述真实性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；
采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练。
5.根据权利要求3所述的方法，其特征在于，所述鉴别器包括连续性鉴别器，所述连续性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。
6.根据权利要求3所述的方法，其特征在于，所述生成器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；
将所述卷积结果的真实标签设置为真，得到更新卷积结果；
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；
采用反向传播技术，根据所述综合梯度对所述生成器进行训练。
7.根据权利要求6所述的方法，其特征在于，所述将所述图片损失、所述更新卷积结果对应的真实鉴别结果和连续鉴别结果的交叉商损失值进行叠加并计算梯度，得到综合梯度之前，还包括：
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；
将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。
8.一种预测图像获取装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个历史时刻的初始图像；
识别模块，用于采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
第二获取模块，用于获取基于所述初始图像的人工预测结果图像；
预测模块，用于采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911251476.1A CN111008604A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911251476.1A CN111008604A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111008604A true CN111008604A (zh) | 2020-04-14 |
Family
ID=70115164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911251476.1A Pending CN111008604A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008604A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
| JP2018077671A (ja) * | 2016-11-09 | 2018-05-17 | ヤフー株式会社 | 情報処理装置、情報処理方法、予測モデルの生成装置、予測モデルの生成方法、およびプログラム |
| CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
| CN108460717A (zh) * | 2018-03-14 | 2018-08-28 | 儒安科技有限公司 | 一种基于双判别器的生成对抗网络的图像生成方法 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| CN109034206A (zh) * | 2018-06-29 | 2018-12-18 | 泰康保险集团股份有限公司 | 图像分类识别方法、装置、电子设备及计算机可读介质 |
| CN109359598A (zh) * | 2018-10-18 | 2019-02-19 | 中国科学院空间应用工程与技术中心 | 一种识别光学遥感图像道路的y型神经网络系统及方法 |
| CN109558801A (zh) * | 2018-10-31 | 2019-04-02 | 厦门大学 | 道路网络提取方法、介质、计算机设备及系统 |
| CN109684910A (zh) * | 2018-10-30 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种网络检测输电线路地表环境变化的方法及系统 |
| CN109829959A (zh) * | 2018-12-25 | 2019-05-31 | 中国科学院自动化研究所 | 基于人脸解析的表情编辑方法及装置 |
| CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
| CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
| CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
| CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
| CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
| CN110473185A (zh) * | 2019-08-07 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
-
2019
- 2019-12-09 CN CN201911251476.1A patent/CN111008604A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
| JP2018077671A (ja) * | 2016-11-09 | 2018-05-17 | ヤフー株式会社 | 情報処理装置、情報処理方法、予測モデルの生成装置、予測モデルの生成方法、およびプログラム |
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
| CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
| CN108460717A (zh) * | 2018-03-14 | 2018-08-28 | 儒安科技有限公司 | 一种基于双判别器的生成对抗网络的图像生成方法 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| CN109034206A (zh) * | 2018-06-29 | 2018-12-18 | 泰康保险集团股份有限公司 | 图像分类识别方法、装置、电子设备及计算机可读介质 |
| CN109359598A (zh) * | 2018-10-18 | 2019-02-19 | 中国科学院空间应用工程与技术中心 | 一种识别光学遥感图像道路的y型神经网络系统及方法 |
| CN109684910A (zh) * | 2018-10-30 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种网络检测输电线路地表环境变化的方法及系统 |
| CN109558801A (zh) * | 2018-10-31 | 2019-04-02 | 厦门大学 | 道路网络提取方法、介质、计算机设备及系统 |
| CN109829959A (zh) * | 2018-12-25 | 2019-05-31 | 中国科学院自动化研究所 | 基于人脸解析的表情编辑方法及装置 |
| CN110197218A (zh) * | 2019-05-24 | 2019-09-03 | 绍兴达道生涯教育信息咨询有限公司 | 基于多源卷积神经网络的雷雨大风等级预测分类方法 |
| CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
| CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
| CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
| CN110473185A (zh) * | 2019-08-07 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
Non-Patent Citations (3)
| Title |
|---|
| FEI GAO ET AL: "A Deep Convolutional Generative Adversarial Networks (DCGANs)-Based Semi-Supervised Method for Object Recognition in Synthetic Aperture Radar (SAR) Images", vol. 10, pages 1 - 21 * |
| 孙晓婷等: "基于灰色关联法的月降雨量预测", vol. 38, no. 1, pages 90 - 95 * |
| 郭尚瓒等: "基于神经网络和模型集成的短时降雨预测方法", vol. 7, no. 1, pages 107 - 113 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159434A (zh) * | 2021-04-29 | 2021-07-23 | 上海眼控科技股份有限公司 | 一种雷达回波预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11403876B2 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
| CN110517278B (zh) | 图像分割和图像分割网络的训练方法、装置和计算机设备 | |
| CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
| CN109344742B (zh) | 特征点定位方法、装置、存储介质和计算机设备 | |
| CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
| CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
| CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN110807437B (zh) | 视频粒度特征确定方法、装置和计算机可读存储介质 | |
| CN111598779B (zh) | 图像超分辨率处理方法和装置、电子设备及存储介质 | |
| KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
| CN110781976B (zh) | 训练图像的扩充方法、训练方法及相关装置 | |
| JP2020098587A (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
| CN111667001A (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
| CN111241924A (zh) | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 | |
| CN111598213A (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
| CN111950419A (zh) | 图像信息预测方法、装置、计算机设备和存储介质 | |
| CN110766077A (zh) | 证据链图像中特写图筛选方法、装置和设备 | |
| CN112966754B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
| CN111008604A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
| CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| CN111898573A (zh) | 图像预测方法、计算机设备和存储介质 | |
| CN114998814B (zh) | 目标视频生成方法、装置、计算机设备和存储介质 | |
| CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
| CN108154169A (zh) | 图像处理方法及装置 |
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 |