CN111062410B - 基于深度学习的星型信息桥气象预测方法 - Google Patents

基于深度学习的星型信息桥气象预测方法 Download PDF

Info

Publication number
CN111062410B
CN111062410B CN201911067670.4A CN201911067670A CN111062410B CN 111062410 B CN111062410 B CN 111062410B CN 201911067670 A CN201911067670 A CN 201911067670A CN 111062410 B CN111062410 B CN 111062410B
Authority
CN
China
Prior art keywords
network
weather
starbrinet
layers
information bridge
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.)
Active
Application number
CN201911067670.4A
Other languages
English (en)
Other versions
CN111062410A (zh
Inventor
曹原
李秋莹
张军平
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN201911067670.4A priority Critical patent/CN111062410B/zh
Publication of CN111062410A publication Critical patent/CN111062410A/zh
Application granted granted Critical
Publication of CN111062410B publication Critical patent/CN111062410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明属于计算机视觉及气象降水预报技术领域，具体为一种基于深度学习的星型信息桥气象预测方法，称为StarBriNet。本发明构造了一个用于循环神经网络（RNN）的星型信息桥，跨越不同网络层接受分发特征信息；同时为气象预测任务专门设计了新的损失函数；本发明还使用组内标准化方法，以提升整个StarBriNet方法的预测性能。本发明更加有效地融合了多层循环神经网络不同层次间的信息特征，增加了预报准确性。

Description

基于深度学习的星型信息桥气象预测方法
技术领域
本发明属于计算机视觉及气象预报技术领域，具体涉及基于深度学习的气象预测方法。
背景技术
气象预测是计算机视觉和机器学习领域的难点、热点之一。当给定一串由连续的气象雷达图序列构成的雷达视频，要求根据计算机视觉或者机器学习算法预测输出未来的气象雷达图序列。目前该领域有不少前人工作，其主要的背景研究可以分为两大类：视频预测和气象短临预报。
计算机视觉中的视频预测领域近几年受到了广泛的关注。一般的说，视频预测的工作主要由卷积神经网络(CNN)或者循环神经网络(RNN)来解决。基于卷积神经网络(CNN)的视频预测方法[3]主要可以较好地提取图像中的特征信息，处理复杂的图像和视频信息。但是单纯使用卷积网络很容易受到限制，无法很好的处理输入视频中的时序信息。这是视频预测中一个悬而未决的大难题。除了基于卷积神经网络的方法之外，有不少研究使用循环神经网络(RNN)来解决视频预测问题。其中，卷积长短期记忆网络(Convolutional LongShort Term Memory，ConvLSTM)[7]是行之有效的一个循环神经网络方法。卷积LSTM沿用长短期记忆网络(LSTM)模型来记忆视频中的时序信息，并使用卷积操作来提取空间上的特征图。
气象短临预报任务是视频预测的一个实际应用。之前的工作如[7]和[11]等研究了视频预测任务，应用了视频预测的模型来实现真实的气象短临预报。
根据一串输入视频序列，如气象雷达图序列，本发明的目标是预测未来最可能的一串视频序列。在论文[7]中，卷积LSTM使用Moving MNIST数据集和香港雷达回波数据集来训练视频预测模型。PredRNN[11]通过使用一种新的时空信息流改良了卷积LSTM，使模型更好的利用空间特征信息，也更好的记忆时间信息。
本发明改进了卷积LSTM网络，构造了新的StarBriNet来获得更好的预测性能。
参考文献：
1.Babaeizadeh,M.,Finn,C.,Erhan,D.,Campbell,R.H.,Levine,S.:Stochasticvariational video prediction(2017)
2.Denton,E.,Fergus,R.:Stochastic video generation with a learnedprior.In:International Conference on Machine Learning.pp.1182–1191(2018)
3.He,K.,Zhang,X.,Ren,S.,Sun,J.:Deep residual learning for imagerecognition.In:IEEE Conference on Computer Vision and PatternRecognition.pp.770–778(2016).https://doi.org/10.1109/CVPR.2016.90
4.Hochreiter,S.,Schmidhuber,J.:Long short-term memory.Neuralcomputation 9(8),1735–1780(1997)
5.Learning to decompose and disentangle representations for videoprediction.In:Advances in Neural Information Processing Systems.pp.517–526(2018)
6.Lee,A.X.,Zhang,R.,Ebert,F.,Abbeel,P.,Finn,C.,Levine,S.:Stochasticadversarial video prediction.arXiv preprint arXiv:1804.01523(2018)
7.Shi,X.,Chen,Z.,Wang,H.,Yeung,D.Y.,Wong,W.,Woo,W.:Convolutional lstmnetwork:A machine learning approach for precipitation nowcasting.In:Proceedings of the International Conference on Neural Information ProcessingSystems.pp.802–810(2015)
8.Deep learning for precipitation nowcasting:A benchmark and a newmodel.In:Guyon,I.,Luxburg,U.V.,Bengio,S.,Wallach,H.,Fergus,R.,Vishwanathan,S.,Garnett,R.(eds.)Advances in Neural Information Processing Systems 30,pp.5617–5627.Curran Associates,Inc.(2017)
9.Sun,J.,Xue,M.,Wilson,J.W.,Zawadzki,I.,Ballard,S.P.,Onvleehooimeyer,J.,Joe,P.,Barker,D.M.,Li,P.W.,Golding,B.:Use of nwp for nowcasting convectiveprecipitation:recent progress and challenges.Bulletin of the AmericanMeteoro-logical Society 95(95),409–426(2014)
10.Wang,Y.,Gao,Z.,Long,M.,Wang,J.,Yu,P.S.:Predrnn++:Towards aresolution of the deep-in-time dilemma in spatiotemporal predictive learning(2018)
11.Wang,Y.,Long,M.,Wang,J.,Gao,Z.,Yu,P.S.:Predrnn:Recurrent neuralnet-works for predictive learning using spatiotemporal lstms.In:Guyon,I.,Luxburg,U.V.,Bengio,S.,Wallach,H.,Fergus,R.,Vishwanathan,S.,Garnett,R.(eds.)Advances in Neural Information Processing Systems 30,pp.879–888.Curran As-sociates,Inc.(2017)。
发明内容
本发明的目的在于提出一种用于气象短临预报的、预测性能优异的基于深度学习的气象预测方法。
本发明提出的气象预测方法，基于深度学习。首先构造一个有效的端到端网络StarBriNet，其中包含构造针对循环神经网络(RNN)的一种新的星型信息桥结构，最后设计新型气象临近预报损失函数(multi sigmoid loss)，应用于StarBriNet的训练过程。本发明方法记为StarBriNet，具体的步骤为：
(1)针对气象对流临近预报任务，构造针对循环神经网络(RNN)的星型信息桥结构，并应用于网络StarBriNet中，得到有效的端到端网络StarBriNet；
(2)针对气象预测模型，加入组标准化(group normalization)，来提高网络的性能；
(3)设计新型气象临近预报损失函数(multi sigmoid loss)，应用于StarBriNet的训练过程。
本发明步骤(1)中，所述的构造端到端网络StarBriNet的步骤为：
(a)由星型信息流和卷积LSTM构成星型信息桥网络(StarBriNet)，每一个时序包含2到5层多层编码解码卷积，每层空间尺度不同；
所述星型信息桥网络(StarBriNet)分为编码解码两个子网络，如图1中所示，E和D分别代表对输入的编码器与解码生成输出的解码器，E1，E2，D1，D2均为卷积长短时记忆神经网络(ConvLSTM)层，Input为输入Output为输出，图1只展示的两层，但在实际应用中可拓展至5层，依具体应用而定，Star为星型信息桥；
(b)在网络StarBriNet的每一个时刻，数据沿着ConvLSTM层由浅入深传递；
(c)星型信息桥输入上个时刻的所有层的数据，并把数据分发给当前时刻的所有层级，如图2所示，网络在通道维度上拼接前一时刻的每层ConvLSTM的输出经过一个卷积核为1X1卷积层处理后在通道维度进行切片操作，并分发给本层网络的不同网络层和本层原有输入数据相加形成类残差操作。
本发明步骤(2)中，所述加入组标准化，是在每个时序的每层卷积的输出之后加入每组通道参数为16的组标准化层，组标准化加入后模型的性能和收敛速度得到了显著提升。
本发明步骤(3)中，设计新型气象临近预报损失函数的步骤为：
(a)根据气象预测精度衡量标准CSI(Critical Success Index)分数，构造新的气象预报训练损失函数。CSI定义为：
Figure GDA0004095481430000031
其中，TP表示真正例(True Positives)，FN标记假负例(False Negatives)，FP表示假正例(False Positives)；
(b)设计新的多sigmoid损失函数，其由一组单sigmoid损失组成：
Figure GDA0004095481430000041
其中，
Figure GDA0004095481430000042
为网络输出结果图，ci为CSI的分类阈值，s是斜率调节超参数，一般取10，||*||2是L2范数，σ为Sigmoid函数，该损失函数目的是衡量对于分类ci给出分类i的时候的损失；
(c)最后，多sigmoid损失(multi-sigmoid loss)定义为：
Figure GDA0004095481430000043
LMSL为模型的最终优化目标。
附图说明
图1为本发明模型结构。
图2为解码器中的星型信息桥结构。
图3为MovingMNIST数据集上2个数字数据集预测效果样例展示。
图4为雷达回波数据集分布情况样例展示。图中每个点代表一段图像序列，横轴为降水强度，纵轴为降水变化率。
图5为中国东部气象雷达回波预测效果样例展示。
具体实施方式
下面展示本发明在目前公共视频数据MovingMNIST和中国东部雷达回波图数据集的测试效果，均采用输入10帧预测10帧的方法。
MovingMNIST数据集基于美国邮政手写数字数据集(MNIST)生成，为T帧连续64X64像素的图片，图片中有k个手写数字以(3,5)像素每帧的速度移动，遇到图像边缘则按照镜面反射的速度进行移动。由于选取数字、初始位置、初始速度(无限)组合导致，样本数量无限多可任意生成，我们对k取值为2、3的情况下分别进行了实验。编码器解码器的网络为5层ConvLSTM，卷积核尺寸均为3，通道数分别为32、64、64、128、128，星型信息桥的1X1卷积通道数为各层通道数加和所得到，网络学习率0.001，GroupNormalization的组通道数选择为16，权重惩罚(weightdecay)为0.00001，训练了200000次后停止训练，批大小(BatchSize)为32。图3展示为生成的第十帧预测结果和真实结果的对比图像，偶数列为预测结果，奇数列为真实结果。
雷达回波数据集为2015年8月1日至2018年7月31日共计36个月的华东地区雷达数据，图片为100X100像素，数据采集间隔为6分钟每帧。训练集为前24个月，测试集为后12个月，数据清除掉了无降水图片，训练集有43781个视频序列，测试集含19572个视频序列(长度为20帧，输入10帧，输出10帧)，图4显示了样本的降水量和降水变化率的分布。由于雷达回波图缺乏高层语义特征，网络为2层网络，每层通道数均为128，其余参数同MovingMNIST数据集。图5展示了气象降水预报的生成结果，其中，第一行为出入，第二行为真实结果，第三行为预报结果，从左到右每张图间隔6分钟。
试验中，采用预测10帧图的平均绝对误差(MAE)和均方根误差(MSE)以及根据气象预测精度衡量标准CSI(Critical Success Index)分数的平均值，定义方式为：
Figure GDA0004095481430000051
Figure GDA0004095481430000052
其中，N为单张图片像素点个数yi为真实结果，y′i为预报结果，取值范围0～1，CSI为：
Figure GDA0004095481430000053
TP表示单张图片的真正例的像素个数，FN标记单张图片的假负例的像素个数，FP表示单张图片的假正例的像素个数。
实验例1：算法在Moving MNIST数据上的性能
表1：算法在Moving MNIST数据集与其它方法性能比较
Figure GDA0004095481430000054
实验例2：算法在中国东部雷达回波图数据集上的性能
表2：算法在中国东部雷达回波图数据集与别的方法性能比较
Method CSI MSE
Frozen Prediction 42.1％ 10.3
ConvLSTM[7] 59.9％ 6.31
PredRNN[11] 63.1％ 7.03
StarBriNet 64.4％ 6.14
。
从上面的实验可以看出，本发明提出的框架StarBriNet在所有数据集上取得了最好的性能。

Claims (2)

1.一种基于深度学习的星型信息桥气象预测方法，其特征在于，具体步骤为：
(1)针对气象对流临近预报任务，构造针对循环神经网络RNN的星型信息桥结构，并应用于星型信息桥网络StarBriNet中，得到有效的端到端网络StarBriNet；
(2)针对气象预测模型，加入组标准化，来提高网络的性能；
(3)设计新型气象临近预报损失函数，应用于StarBriNet的训练过程；
所述星型信息桥网络StarBriNet分为编码解码两个子网络，包含对输入的编码器与解码生成输出的解码器，编码器和解码器均为卷积长短时记忆神经网络ConvLSTM层，层数为2～5层，依具体应用而定，Star为星型信息桥；Input为输入Output为输出；
步骤(1)中，构造所述端到端网络StarBriNet的步骤为：
(a)由星型信息流和卷积LSTM构成星型信息桥网络StarBriNet，每一个时序包含2到5层多层编码解码卷积，每层空间尺度不同；
(b)在网络StarBriNet的每一个时刻，数据沿着ConvLSTM层由浅入深传递；
(c)星型信息桥输入上个时刻的所有层的数据，并把数据分发给当前时刻的所有层级，网络在通道维度上拼接前一时刻的每层ConvLSTM的输出经过一个卷积核为1X1卷积层处理后在通道维度进行切片操作，并分发给本层网络的不同网络层和本层原有输入数据相加形成类残差操作；
步骤(3)中所述设计新型气象临近预报损失函数的步骤为：
(a)根据气象预测精度衡量标准CSI分数，构造新的气象预报训练损失函数；这里CSI定义为：
Figure FDA0004115387250000011
其中，TP表示真正例的像素个数，FN标记假负例的像素个数，FP表示假正例的像素个数；
(b)设计新的多sigmoid损失函数，由一组单sigmoid损失组成：
Figure FDA0004115387250000012
其中，
Figure FDA0004115387250000013
为网络输出结果图，ci为CSI的分类阈值，s是斜率调节超参数，||*||2是L2范数，σ为Sigmoid函数，该损失用于衡量对于分类ci给出分类i时候的损失；
(c)最后，多sigmoid损失为：
Figure FDA0004115387250000021
MSL
L为模型的最终优化目标。
2.根据权利要求1所述的基于深度学习的星型信息桥气象预测方法，其特征在于，步骤(2)中所述加入组标准化，是在每个时序的每层卷积的输出之后加入每组通道参数为16的组标准化层。
CN201911067670.4A 2019-11-05 2019-11-05 基于深度学习的星型信息桥气象预测方法 Active CN111062410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911067670.4A CN111062410B (zh) 2019-11-05 2019-11-05 基于深度学习的星型信息桥气象预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911067670.4A CN111062410B (zh) 2019-11-05 2019-11-05 基于深度学习的星型信息桥气象预测方法

Publications (2)

Publication Number Publication Date
CN111062410A CN111062410A (zh) 2020-04-24
CN111062410B true CN111062410B (zh) 2023-05-30

Family

ID=70298452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911067670.4A Active CN111062410B (zh) 2019-11-05 2019-11-05 基于深度学习的星型信息桥气象预测方法

Country Status (1)

Country Link
CN (1) CN111062410B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830595A (zh) * 2020-06-09 2020-10-27 上海眼控科技股份有限公司 气象要素的预测方法及设备
CN112053375A (zh) * 2020-08-26 2020-12-08 上海眼控科技股份有限公司 基于改进的网络卷积模型预测临近预报的方法及设备
CN112200349B (zh) * 2020-09-16 2022-06-03 平衡机器科技(深圳)有限公司 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法
CN113128778B (zh) * 2021-04-27 2022-08-26 最美天气(上海)科技有限公司 一种基于分级ts气象评分的模型训练方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017151757A1 (en) * 2016-03-01 2017-09-08 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Recurrent neural feedback model for automated image annotation
CN106886023B (zh) * 2017-02-27 2019-04-02 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107121679A (zh) * 2017-06-08 2017-09-01 湖南师范大学 用于雷达回波外推的循环神经网络预测法及记忆单元结构
CN108508505B (zh) * 2018-02-05 2020-12-15 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统
CN108427989B (zh) * 2018-06-12 2019-10-11 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN110197218B (zh) * 2019-05-24 2021-02-12 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
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
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

Also Published As

Publication number Publication date
CN111062410A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062410B (zh) 基于深度学习的星型信息桥气象预测方法
CN110572696B (zh) 一种变分自编码器与生成对抗网络结合的视频生成方法
Dosovitskiy et al. Generating images with perceptual similarity metrics based on deep networks
CN111444878B (zh) 一种视频分类方法、装置及计算机可读存储介质
CN108009493B (zh) 基于动作增强的人脸防欺骗识别方法
CN109948721B (zh) 一种基于视频描述的视频场景分类方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
Lahiri et al. Lightweight modules for efficient deep learning based image restoration
CN107463932B (zh) 一种使用二进制瓶颈神经网络来抽取图片特征的方法
CN113159073A (zh) 知识蒸馏方法及装置、存储介质、终端
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN112766062B (zh) 一种基于双流深度神经网络的人体行为识别方法
CN115393396B (zh) 一种基于掩码预训练的无人机目标跟踪方法
CN110570443A (zh) 一种基于结构约束条件生成模型的图像线状目标提取方法
CN114360067A (zh) 一种基于深度学习的动态手势识别方法
CN113128478A (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
Golestaneh et al. No-reference image quality assessment via feature fusion and multi-task learning
CN109949217A (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
Tiwari A pattern classification based approach for blur classification
CN112528077A (zh) 基于视频嵌入的视频人脸检索方法及系统
Li et al. CDMY: A lightweight object detection model based on coordinate attention
CN116630369A (zh) 基于时空记忆网络的无人机目标跟踪方法
CN110222716B (zh) 基于全分辨率深度卷积神经网络的图像分类方法
CN114359167A (zh) 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法
Zhang et al. A modified image processing method for deblurring based on GAN networks

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