CN112418480A - 气象图像预测方法、装置、计算机设备和存储介质 - Google Patents
气象图像预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112418480A CN112418480A CN202011093726.6A CN202011093726A CN112418480A CN 112418480 A CN112418480 A CN 112418480A CN 202011093726 A CN202011093726 A CN 202011093726A CN 112418480 A CN112418480 A CN 112418480A
- Authority
- CN
- China
- Prior art keywords
- prediction
- classification
- meteorological
- predicted
- value
- 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 55
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 101
- 238000004590 computer program Methods 0.000 claims description 25
- 230000032683 aging Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000002310 reflectometry Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种气象图像预测方法、装置、计算机设备和存储介质。方法包括:获取待预测气象图像;将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。采用本方法能够提高气象图像预测的精度。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种气象图像预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,在气象领域利用计算机技术进行气象预报变得越来越重要。传统技术中利用人工智能技术领域中的通用视频预测框架进行气象预报,以提高气象预报的效率。
但是,传统技术中并没有根据气象领域的特征对通用视频预测框架进行适应性的调整,使得利用通用视频预测框架预测得到的气象预报与真实的气象情况存在偏差,使得气象预报的准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高气象图像预测精度的气象图像预测方法、装置、计算机设备和存储介质。
一种气象图像预测方法,方法包括:
获取待预测气象图像;
将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
在其中一个实施例中,气象预测模型的训练方法包括:
获取训练气象图像序列,训练气象图像序列中包括输入图像子序列以及真实输出图像子序列;
将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值;
获取真实输出图像子序列中各像素点的真实分类值;
将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值;
将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值;
根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。
在其中一个实施例中,根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型,包括:
根据预测损失值以及分类损失值得到损失值;
当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。
在其中一个实施例中,根据预测损失值以及分类损失值得到损失值,包括:
获取预测损失值对应的预测权重,以及分类损失值对应的分类权重;
根据预测损失值、预测权重、分类损失值以及分类权重得到损失值。
在其中一个实施例中,将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值,包括:
根据预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值;
根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重;
根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值;
根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
在其中一个实施例中,根据各预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值,包括:
将预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对;
当一致性比对通过时,将比对通过的像素点提取为正确预测像素点;
根据正确预测像素点对应的预测分类值对正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的正确预测像素点对应的正确预测数量;
根据预测分类值对预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的预测像素点对应的预测分类值数量;
根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值。
在其中一个实施例中,根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值,包括:
获取各预测分类值对应的类别权重因子;
根据预测分类值数量、正确预测数量以及类别权重因子确定各预测输出图像对应的分类评分值。
一种气象图像预测装置,装置包括:
图像获取模块,用于获取待预测气象图像;
预测模块,用于将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述方法的步骤。
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上述方法的步骤。
上述气象图像预测方法、装置、计算机设备和存储介质,包括:获取待预测气象图像;将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。在训练气象预测模型的过程中自定义损失函数,在自定义的损失函数中包含预测损失函数以及分类损失函数,使得训练得到的气象预测模型在预测气象图像的过程中不仅考虑到预测图像与输入气象图像之间差异性,同时也考虑到了图像中各像素点所属类别的差异性,由于不同的类别代表气象雷达图像中不同的区域,使得预测得到的气象图像的区域特征更加精准,提高了气象预测模型对气象图像的预测精度。
附图说明
图1为一个实施例中气象图像预测方法的应用环境图;
图2为一个实施例中气象图像预测方法的流程示意图;
图3为一个实施例中提供的一种气象预测模型训练方法的流程示意图;
图4为一个实施例中气象图像预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
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。
本申请提供的气象图像预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104获取待预测气象图像;将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。进一步地,服务器104将预测得到的预测图像推送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种气象图像预测方法的流程示意图,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤210,获取待预测气象图像。
待预测气象图像可以是气象雷达回波图像,气象雷达回波图显示雷达的回波强度,并且回波强度越大则降雨的概率越大,具体的,雷达回波强度用反射率因子(dBZ)来表示。在实际应用场景中,反射率因子越大(>45dBZ)降水几率越大,对经济的影响也就越大,是业务场景中关注的重点。
在一个具体的实施例中,服务器获取到的待预测气象图像的数量可以为多个,以根据当前时间段内的多个待预测气象图像预测未来时间段的气象图像,以根据预测到的气象图像进行天气预报。
步骤220,将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
气象预测模型可以接收待预测气象图像,并根据气象预测模型中的预测参数对待预测气象图像进行预测得到预测图像,其中,待预测气象图像与预测气象图像可以为不同时间段内对应的气象雷达回波图,如待预测气象图像是历史时间段内对应的图像,预测气象图像是未来时间段内对应的图像。气象预测模型是根据训练数据预先训练得到的,并且气象预测模型是根据自定义损失函数训练得到的,自定义损失函数中包括至少两部分,第一部分是预测损失函数以及第二部分是分类损失函数。具体的,根据待预测气象图像以及预测图像构造预测损失函数,根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值构造分类损失函数。进一步地,根据预测损失函数以及分类损失函数得到综合的损失函数,以根据综合的损失函数训练气象预测模型。
在本实施例中,在训练气象预测模型的过程中自定义损失函数,在自定义的损失函数中包含预测损失函数以及分类损失函数,使得训练得到的气象预测模型在预测气象图像的过程中不仅考虑到预测图像与输入气象图像之间差异性,同时也考虑到了图像中各像素点所属类别的差异性,由于不同的类别代表气象雷达图像中不同的区域,使得预测得到的气象图像的区域特征更加精准。具体的,在本实施例中针对利用深度学习预测雷达回波图的过程中,在损失函数设计层面增加雷达回波图不同类别对应的区域重要性的先验知识的方法,提高了气象预测模型对不同类别区域的预测精度。
在其中一个实施例中,如图3所示,提供了一种气象预测模型训练方法的流程示意图,包括:
步骤310,获取训练气象图像序列,训练气象图像序列中包括输入图像子序列以及真实输出图像子序列。
具体的,服务器获取训练数据,如训练数据可以为训练气象图像序列,并且训练气象图像序列中可包括多张气象图像,如训练数据为雷达回波图序列,并且雷达回波图序列的时长为40帧,并且每帧代表6分钟的时长,10帧一共为4小时。然后将前20帧(input_t)作为输入图像子序列以及后20帧(gt_t)作为真实输出图像子序列。其中,输入图像子序列input_t中包括20帧,每帧代表6分钟的时长,为雷达回波图序列在t时刻的图像,并且图像可为灰度图以及图像的大小可为取128×128。
步骤320,将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值。
初始气象预测模型的输出包括两个分支,其中一个分支可用于输出预测得到的预测输出图像子序列,具体的预测输出图像子序列可以为预测20帧,每帧代表6分钟时长,即预测输出图像子序列为时长为2小时的临近预报时长。另一个分支可以为预测输出图像子序列中每个预测输出图像(output_t+1)中每个像素点的分类(seg_output_t+1),其中分类(seg_output_t+1)可以为对输出图像进行分割得到的分类数据,具体的,每个像素点的分类可分为6类,如像素点位于区间[0,20]的为0类别,像素点位于区间(20,30]为1类别,像素点位于区间(30,40]为2类别,像素点位于区间(40,50]为3类别,像素点位于区间(50,80]为4类别,像素点位于区间(80,255]为5类别。
步骤330,获取真实输出图像子序列中各像素点的真实分类值。
步骤340,将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值。
步骤350,将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值。
步骤360,根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。
然后将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值;将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值;根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。具体训练过程的伪代码思路包括:将input_t输入到初始预测模型中得到预测输出图像output_t+1以及预测输出图像中各像素点的seg_output_t+1,然后分别计算output_t+1与gt_t+1的MSEloss_t+1,以及利用公式计算seg_output_t+1与seg_gt_t+1(真实输出图像中各像素点的真实分类值)的our_loss_t+1,并根据Total_loss+=(MSE loss_t+1+our_loss_t+1)计算损失值的之和,并且设定Total_loss=0,For t in range(20);经过上述一次循环后得到Total_loss,利用反向传播算法计算深度学习模型的参数更新,直至达到一定的精度停止训练。
在本实施例中,在对初始气象预测模型进行修正的过程中不仅考虑到了输入图像与预测图像之间的整体差别,还结合了输入图像与预测图像中各像素点之间的像素点差别,并根据整体差别以及像素级别的像素点差别共同调整初始预测模型,使得最终得到的气象预测模型更加符合气象领域的预测场景,提高了对气象图像的预测准确性。
在本实施例中训练气象预测模型的过程中,考虑到雷达回波图中不同反射率的重要性,并结合了气象雷达回波图中区域重要性的先验知识,设计一种基于雷达回波反射率的损失函数,使得训练得到的气象预测模型更加符合气象领域的实际预测场景,进而得到的预测图像更加精准。
在其中一个实施例中,根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型,包括:根据预测损失值以及分类损失值得到损失值;当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。
在本实施例中,服务器获取气象图像序列,气象图像序列为连续时间内的多张气象图像,且气象图像序列中包括输入图像子序列以及真实输出图像子序列;将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值。利用预先构建的初始气象预测模型不仅可以得到预测输出图像子序列,还可以得到图像子序列中各像素点的预测分类值,实现了在气象预测过程中结合各像素点的类别特征,以得到更加符合气象领域的预测图像。进一步地为了提高初始气象预测模型的预测精度还包括:获取真实输出图像子序列中各像素点的真实分类值;根据预测输出图像子序列、真实输出图像子序列、预测分类值以及真实分类值得到损失值;当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。在对初始气象预测模型进行修正的过程中不仅考虑到了输入图像与预测图像之间的整体差别,还结合了输入图像与预测图像中各像素点之间的像素点差别,并根据整体差别以及像素级别的像素点差别共同调整初始预测模型,使得最终得到的气象预测模型更加符合气象领域的预测场景,提高了对气象图像的预测准确性。
在本实施例中,在预测模型的训练过程中根据损失值的大小不断地调整预测模型的预测参数,以使得根据最终的预测参数得到的预测图像更加精准,提高图像预测的精度。并且在不同的实施例中还可以自定义分类方式,以使得能够适应更多场景的图像预测,提高预测模型的适用性。
在其中一个实施例中,根据预测损失值以及分类损失值得到损失值,包括:获取预测损失值对应的预测权重,以及分类损失值对应的分类权重;根据预测损失值、预测权重、分类损失值以及分类权重得到损失值。
进一步地,为了增加雷达回波图区域重要性的先验知识,还包括:根据具体地气象预测场景为预测损失值以及分类损失值分别设置对应的权重因子,如为预测损失值分配预测权重,以及为分类损失值分配分类权重,然后分别利用分配到的权重因子对各损失值进行调整并相加得到最终的损失值。具体地损失值的计算方法如公式(1)所示:
Loss function = alpha×MSE_Loss+(1-alpha)(1-HSS_total) (1)
其中,Loss function为综合的损失值,alpha为根据具体应用设计的权重因子,HSS_total为根据气象图像的区域重要性设计的表征雷达回波图区域重要性的loss部分。
在本实施例中,可以根据具体的气象预测场景为不同类型的损失值自适应设置不同的权重因子,使得气象预测模型能够适应更多的场景,提高了模型的适用性。
在其中一个实施例中,将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值,包括:根据预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值;根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重;根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值;根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
具体地,评分值是对单张的预测输出图像进行评分得到的分值,具体地评分值可以为HSS数值(Heidke skill score),具体地,HSS的计算公式如公式(2)所示。
在公式(2)中,K为类别数量,在本实施例中可以为5,n(Fi,Oj)表示在预测输出图像中,预测为类别i的像素点中其真实的类别为j的像素点的总数,N(Fi)表示在预测输出图像中,预测为类别i的像素点总数,N(Oj)表示在预测输出图像中,表示真实类别为j的像素点总数,其中,N为像素点总数,wj为每个类别对应的类别权重因子。
在其中一个实施例中,根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值,包括:获取各预测分类值对应的类别权重因子;根据预测分类值数量、正确预测数量以及类别权重因子确定各预测输出图像对应的分类评分值。
在一个具体的实施例中,预测雷达回波图片和实际雷达回波图片中的有效预测数值以{20,30,40,50}为阈值划分为5个类别,其中,类别1对应取值区间为[0,20];类别2对应取值区间为(20,30];类别3对应取值区间为(30,40];类别4对应取值区间为(40,50];类别5对应取值区间为(50,80]。需要说明的是,对于类别(80-255]范围的像素而言,在有些实施例中可以认定为无效数据,故而此时无需统计该范围内的数据。
继续参考公式(2),在该公式中还引入了类别权重因子wj,使得在计算单个预测输出图像的HSS时,可以将每张预测输出图像中从属于不同类别的像素的重要性进行适应的调整,以使得预测更加精准。具体地,像素类别在(50,80]范围内的像素更能反映降水的强度,此时可以将类别为像素的类别权重因子设置为最大的权重,具体地可以设置为0.8,在其他实施例中,类别权重的数值可以根据具体的应用场景设置。
进一步的,本方法可考虑到不同预报时效和降雨强度的预测难度,可根据实际场景需要对AI临近预报的预测能力进行权重调整。若想要预测模型有更强的降雨能力,则可在损失函数调整dBZ值高区域n(Fj,Oj)(j=5)的权重w5即可,由此可获得更准确的降雨预测准确度。该方法操作简易,即插即用,可以添加到各类通用深度学习AI临近预报的框架下,只需修改损失函数即可。该方法是对气象雷达回波预测的细粒度设计,有效利用了气象雷达回波图的特点以及气象领域关注的核心,是将气象先验知识与AI技术有效结合的创新方案。
进一步地,具体如公式(3)所示,提供了一种计算预测输出图像序列对应的分类误差值的公式。
在公式(3)中,M表示总图片数量;wi'表示第i张预测图像对应的时序权重,即预报时间间隔权重。在具体应用中该时序权重可根据具体的应用场景设置,如在短时预报场景下(如预测未来1-2h内的天气)此时可以将前几帧图像的权重设置大一些,反之在需要长时预测时(如未来几天)此时可以将后几帧的图像权重设置为较大。
具体地,根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重;根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值;根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
在其中一个实施例中,根据各预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值,包括:将预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对;当一致性比对通过时,将比对通过的像素点提取为正确预测像素点;根据正确预测像素点对应的预测分类值对正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的正确预测像素点对应的正确预测数量;根据预测分类值对预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的预测像素点对应的预测分类值数量;根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值。
具体地,在真实雷达回波图中,统计各类别的像素点的真实位置信息以及数量,然后根据真实位置信息在对应的预测雷达回波图中定位到对应的像素点,并在预测雷达回波图中统计定位到的各像素点的类别,同时统计各类别的数量,然后根据各类别的实际数量以及各类别在预测图像中的预测数量生成如表一所示的多类别级联表。
在一个具体的实施例中,在真实雷达回波图中统计类别为[0,20]的像素个数为100,同时在真实雷达回波图中获取该100个像素点的位置信息;然后根据位置信息在预测得到的预测雷达回波图中定位到该100个预测的像素点,并同时在预测雷达回波图中统计该100个像素点的预测类别信息,并将统计到的预测类别信息写入类别级联表中。同理,根据同样的方法将表中其他类别的统计数据填写只类别级联表中。
如表一所示,将一对图片(包括一张真实雷达回波图和对应的一张预测雷达回波图)映射成以下多类别级联表:
表一多类别级联表
其中,n(Fi,Oj)表示预测类别为i的像素点中其真实类别为j的像素点总数,N(Fi)表示预测为类别i的像素点总数,N(Oj)表示真实类别为j的像素点总数,N为像素点总数。然后将多类别级联表中的数据带入公式(2)中得到各预测输出图像对应的损失值。
在本实施例中,通过获取预测输出图像中各像素点的类别信息,能够计算得到各预测输出图像的评分值,进一步地,再根据各预测输出图像的评分值得到预测输出图像子序列对应的评分值,进而可以根据评分值得到分类损失值。并且可以根据分类损失值对初始预测模型进行训练,使得训练得到的预测模型能够具有较佳的类别预测能力,进一步的,还可以根据具体的应用场景对各类别的权重因子进行适应性调整,进一步地提高了预测模型的适用性。
应该理解的是,虽然图2-3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2-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的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4所示,提供了一种气象图像预测装置,包括:
图像获取模块410,用于获取待预测气象图像。
预测模块420,用于将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
在其中一个实施例中,气象图像预测装置还包括:
图像序列获取模块,用于获取训练气象图像序列,训练气象图像序列中包括输入图像子序列以及真实输出图像子序列。
预测数据获取模块,用于将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值。
分类值获取模块,用于获取真实输出图像子序列中各像素点的真实分类值。
预测损失值计算模块,用于将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值。
分类损失值计算模块,用于将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值。
模型获取模块,用于根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。
在其中一个实施例中,模型获取模块,包括:
损失值计算单元,用于根据预测损失值以及分类损失值得到损失值。
调整单元,用于当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。
在其中一个实施例中,损失值计算单元,包括:
权重获取子单元,用于获取预测损失值对应的预测权重,以及分类损失值对应的分类权重。
损失值计算子单元,用于根据预测损失值、预测权重、分类损失值以及分类权重得到损失值。
在其中一个实施例中,分类损失值计算模块,包括:
分类评分值计算单元,用于根据预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值。
时序权重确定单元,用于根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重。
分类误差值计算单元,用于根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值。
分类损失值计算单元,用于根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
在其中一个实施例中,分类评分值计算单元,包括:
比对子单元,用于将预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对。
正确像素点确定子单元,用于当一致性比对通过时,将比对通过的像素点提取为正确预测像素点。
正确数量确定子单元,用于根据正确预测像素点对应的预测分类值对正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的正确预测像素点对应的正确预测数量。
预测数量确定子单元,用于根据预测分类值对预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的预测像素点对应的预测分类值数量。
分类评分值计算子单元,用于根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值。
在其中一个实施例中,分类评分值计算单元,包括:
类别权重因子获取子单元,用于获取各预测分类值对应的类别权重因子。
分类评分值计算子单元,用于根据预测分类值数量、正确预测数量以及类别权重因子确定各预测输出图像对应的分类评分值。
关于气象图像预测装置的具体限定可以参见上文中对于气象图像预测方法的限定,在此不再赘述。上述气象图像预测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,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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气象图像预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气象图像预测方法。
本领域技术人员可以理解,图5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。
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:获取待预测气象图像;将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
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:获取训练气象图像序列,训练气象图像序列中包括输入图像子序列以及真实输出图像子序列;将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值;获取真实输出图像子序列中各像素点的真实分类值;将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值;将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值;根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。
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:根据预测损失值以及分类损失值得到损失值;当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。
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:获取预测损失值对应的预测权重,以及分类损失值对应的分类权重;根据预测损失值、预测权重、分类损失值以及分类权重得到损失值。
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:根据预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值;根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重;根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值;根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
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:将预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对;当一致性比对通过时,将比对通过的像素点提取为正确预测像素点;根据正确预测像素点对应的预测分类值对正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的正确预测像素点对应的正确预测数量;根据预测分类值对预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的预测像素点对应的预测分类值数量;根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值。
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:获取各预测分类值对应的类别权重因子;根据预测分类值数量、正确预测数量以及类别权重因子确定各预测输出图像对应的分类评分值。
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:获取待预测气象图像;将待预测气象图像输入至预先训练的气象预测模型中,以根据气象预测模型中预测参数对待预测气象图像进行预测得到预测图像;气象预测模型是根据自定义损失函数训练得到的,且自定义损失函数包括预测损失函数以及分类损失函数,预测损失函数是根据待预测气象图像以及预测图像得到的,分类损失函数是根据待预测气象图像中各像素点的真实分类值以及预测图像中各像素点的预测分类值得到的。
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:获取训练气象图像序列,训练气象图像序列中包括输入图像子序列以及真实输出图像子序列;将输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各预测输出图像子序列中各像素点的预测分类值;获取真实输出图像子序列中各像素点的真实分类值;将预测输出图像子序列以及真实输出图像子序列输入至预测损失函数中,得到预测损失值;将预测分类值以及真实分类值输入至分类损失函数中,得到分类损失值;根据预测损失值以及分类损失值对初始气象预测模型进行调整得到气象预测模型。
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:根据预测损失值以及分类损失值得到损失值;当损失值大于预设阈值时,对初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至修正预测模型对应的损失值小于或者等于预设阈值时,将修正气象预测模型提取为气象预测模型。
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:获取预测损失值对应的预测权重,以及分类损失值对应的分类权重;根据预测损失值、预测权重、分类损失值以及分类权重得到损失值。
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:根据预测输出图像中各像素点的预测分类值以及真实分类值,确定各预测输出图像对应的分类评分值;根据气象预测时效确定预测输出图像子序列中各预测输出图像对应的时序权重;根据分类评分值以及时序权重得到各预测输出图像对应的单图像分类误差值;根据各单图像分类误差值得到预测输出图像序列对应的分类误差值。
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:将预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对;当一致性比对通过时,将比对通过的像素点提取为正确预测像素点;根据正确预测像素点对应的预测分类值对正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的正确预测像素点对应的正确预测数量;根据预测分类值对预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的预测像素点对应的预测分类值数量;根据预测分类值数量以及正确预测数量确定各预测输出图像对应的分类评分值。
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:获取各预测分类值对应的类别权重因子;根据预测分类值数量、正确预测数量以及类别权重因子确定各预测输出图像对应的分类评分值。
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,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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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)
1.一种气象图像预测方法,其特征在于,所述方法包括:
获取待预测气象图像;
将所述待预测气象图像输入至预先训练的气象预测模型中,以根据所述气象预测模型中预测参数对所述待预测气象图像进行预测得到预测图像;所述气象预测模型是根据自定义损失函数训练得到的,且所述自定义损失函数包括预测损失函数以及分类损失函数,所述预测损失函数是根据待预测气象图像以及预测图像得到的,所述分类损失函数是根据所述待预测气象图像中各像素点的真实分类值以及所述预测图像中各像素点的预测分类值得到的。
2.根据权利要求1所述的方法,其特征在于,所述气象预测模型的训练方法包括:
获取训练气象图像序列,所述训练气象图像序列中包括输入图像子序列以及真实输出图像子序列;
将所述输入图像子序列输入至初始气象预测模型中,得到预测输出图像子序列以及各所述预测输出图像子序列中各像素点的预测分类值;
获取所述真实输出图像子序列中各像素点的真实分类值;
将所述预测输出图像子序列以及所述真实输出图像子序列输入至所述预测损失函数中,得到预测损失值;
将所述预测分类值以及所述真实分类值输入至所述分类损失函数中,得到分类损失值;
根据所述预测损失值以及所述分类损失值对所述初始气象预测模型进行调整得到气象预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预测损失值以及所述分类损失值对所述初始气象预测模型进行调整得到气象预测模型,包括:
根据所述预测损失值以及所述分类损失值得到损失值;
当所述损失值大于预设阈值时,对所述初始气象预测模型的预测参数进行调整得到修正气象预测模型,直至所述修正预测模型对应的损失值小于或者等于所述预设阈值时,将所述修正气象预测模型提取为气象预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预测损失值以及所述分类损失值得到损失值,包括:
获取所述预测损失值对应的预测权重,以及所述分类损失值对应的分类权重;
根据所述预测损失值、所述预测权重、所述分类损失值以及所述分类权重得到损失值。
5.根据权利要求3或4所述的方法,其特征在于,所述将所述预测分类值以及所述真实分类值输入至所述分类损失函数中,得到分类损失值,包括:
根据所述预测输出图像中各像素点的预测分类值以及真实分类值,确定各所述预测输出图像对应的分类评分值;
根据气象预测时效确定所述预测输出图像子序列中各所述预测输出图像对应的时序权重;
根据所述分类评分值以及所述时序权重得到各所述预测输出图像对应的单图像分类误差值;
根据各所述单图像分类误差值得到所述预测输出图像序列对应的分类误差值。
6.根据权利要求5所述的方法,其特征在于,所述根据各预测输出图像中各像素点的预测分类值以及真实分类值,确定各所述预测输出图像对应的分类评分值,包括:
将所述预测输出图像中各像素点的预测分类值与真实分类值进行一致性比对;
当一致性比对通过时,将比对通过的所述像素点提取为正确预测像素点;
根据所述正确预测像素点对应的预测分类值对所述正确预测像素点进行分类,得到各类别的正确预测像素点,并统计各类别的所述正确预测像素点对应的正确预测数量;
根据所述预测分类值对所述预测输出图像中的各像素点进行分类,得到各类别的预测像素点,并统计各类别的所述预测像素点对应的预测分类值数量;
根据所述预测分类值数量以及所述正确预测数量确定各所述预测输出图像对应的分类评分值。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预测分类值数量以及所述正确预测数量确定各所述预测输出图像对应的分类评分值,包括:
获取各所述预测分类值对应的类别权重因子;
根据所述预测分类值数量、所述正确预测数量以及所述类别权重因子确定各所述预测输出图像对应的分类评分值。
8.一种气象图像预测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待预测气象图像;
预测模块,用于将所述待预测气象图像输入至预先训练的气象预测模型中,以根据所述气象预测模型中预测参数对所述待预测气象图像进行预测得到预测图像;所述气象预测模型是根据自定义损失函数训练得到的,且所述自定义损失函数包括预测损失函数以及分类损失函数,所述预测损失函数是根据待预测气象图像以及预测图像得到的,所述分类损失函数是根据所述待预测气象图像中各像素点的真实分类值以及所述预测图像中各像素点的预测分类值得到的。
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中任一项所述的方法的步骤。
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 |
---|---|---|---|
CN202011093726.6A CN112418480A (zh) | 2020-10-14 | 2020-10-14 | 气象图像预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011093726.6A CN112418480A (zh) | 2020-10-14 | 2020-10-14 | 气象图像预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418480A true CN112418480A (zh) | 2021-02-26 |
Family
ID=74854457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011093726.6A Pending CN112418480A (zh) | 2020-10-14 | 2020-10-14 | 气象图像预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418480A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128778A (zh) * | 2021-04-27 | 2021-07-16 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
CN111612105A (zh) * | 2020-07-01 | 2020-09-01 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-10-14 CN CN202011093726.6A patent/CN112418480A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507343A (zh) * | 2019-01-30 | 2020-08-07 | 广州市百果园信息技术有限公司 | 语义分割网络的训练及其图像处理方法、装置 |
WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
CN111612105A (zh) * | 2020-07-01 | 2020-09-01 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128778A (zh) * | 2021-04-27 | 2021-07-16 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937124A1 (en) | Image processing method, device and apparatus, and storage medium | |
CN112419170B (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN113379627B (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
CN110826525A (zh) | 一种人脸识别的方法及系统 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
CN112950497A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
US20240311976A1 (en) | Image correction model training method and apparatus, image correction method and apparatus, and computer device | |
CN113868523A (zh) | 推荐模型训练方法、电子设备及存储介质 | |
CN111950419A (zh) | 图像信息预测方法、装置、计算机设备和存储介质 | |
CN111783996A (zh) | 一种数据处理方法、装置及设备 | |
CN112417752A (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
CN112418480A (zh) | 气象图像预测方法、装置、计算机设备和存储介质 | |
CN114429641A (zh) | 一种时序动作检测方法、装置、存储介质及终端 | |
CN111612732B (zh) | 图像质量评估方法、装置、计算机设备及存储介质 | |
CN111898573A (zh) | 图像预测方法、计算机设备和存储介质 | |
CN117541841A (zh) | 一种曲线形态识别的通用基础模型构建方法 | |
CN114998814B (zh) | 目标视频生成方法、装置、计算机设备和存储介质 | |
CN111008604A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN114758130B (zh) | 图像处理及模型训练方法、装置、设备和存储介质 | |
CN112184753B (zh) | 目标光流法确定方法、装置、计算机设备和存储介质 | |
CN113362259B (zh) | 图像降噪处理方法、装置、电子设备及存储介质 | |
CN115018608A (zh) | 风险预测方法、装置、计算机设备 | |
CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
CN114155388A (zh) | 一种图像识别方法、装置、计算机设备和存储介质 |
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 |