CN112527860B - 一种提高台风轨迹预测的方法 - Google Patents

一种提高台风轨迹预测的方法 Download PDF

Info

Publication number
CN112527860B
CN112527860B CN202011406564.7A CN202011406564A CN112527860B CN 112527860 B CN112527860 B CN 112527860B CN 202011406564 A CN202011406564 A CN 202011406564A CN 112527860 B CN112527860 B CN 112527860B
Authority
CN
China
Prior art keywords
data
typhoon
time
value
predicted
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
CN202011406564.7A
Other languages
English (en)
Other versions
CN112527860A (zh
Inventor
车弘书
孙长银
陆科林
徐乐玏
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202011406564.7A priority Critical patent/CN112527860B/zh
Publication of CN112527860A publication Critical patent/CN112527860A/zh
Application granted granted Critical
Publication of CN112527860B publication Critical patent/CN112527860B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种提高台风轨迹预测的方法，针对台风本身运动的复杂和多变性，单个预测模型对未来的多个时刻的台风轨迹预测整体精度不高等问题，本发明采用了输入数据为过去连续多个时刻的卫星同步台风数据，通过调节不同参数和网络参数等，训练出多个评价指标相似且收敛最好的时空序列预测模型，用这些模型做多次未来每个时刻的预测，并采用更改网络结构之后的时空序列分类模型进行决策这些模型在未来每个时刻的预测作为最优值，最终将每个最优预测值整合成最后的预测数据值，最终得到未来多时刻的时空序列预测数据，得到了一个总体时序精度更高的未来多时刻台风轨迹预测数据。

Description

一种提高台风轨迹预测的方法
技术领域
本发明涉及一种提高台风轨迹预测的方法，属于台风预报技术领域。
背景技术
随着近年来，大数据与人工智能技术以及硬件条件的快速发展，机器学习方法和深度学习方法也逐渐应用于台风轨迹预测场景中，在这个场景中主要难点在于台风本身运动的复杂和多变性，如台风整体旋转变化、台风局部或整体平移变化、台风各部分面积变化等，应用的大多数模型预测策略都是训练出单个优质模型进行未来多个时刻的台风轨迹预测，会存在不同的优质模型在不同的时刻精度偏高，整个序列数据预测精度不高的情况，因此，迫切的需要一种新的方案解决上述技术问题。
发明内容
本发明的目的是提供基于trajGRU与分类辅助的台风轨迹预测方法，能够解决现有技术中存在的“预测精度不高”的技术问题。
为达到此目的，本发明采用以下技术方案：一种提高台风轨迹预测精度的方法：包括以下步骤：
S1：输入t1时间内的m1个历史台风地球同步卫星数据，包含t1时间内历史的台风地球同步卫星数据M1，M2…Mm1，输出对应真实值为t2时间过程之间对应m2个台风地球同步卫星数据O1，O2…Om2；其中，Ms表示t1时间内卫星所获取的历史时间中第s个台风地球同步卫星数据，1≤s≤m1，m1表示t1时间内选取的等间隔数据总量，Oi表示接下来t2时间内台风地球同步卫星数据的第i个台风地球同步卫星数据，1≤i≤m2，m2表示t2时间内选取的间隔数据总数；将O1，O2…Om2作为数据实际标签序列数据，M1，M2…Mm1作为输入序列数据单位。；
S2：对输入和输出的高、中、低空每个水汽通道的地球同步卫星数据进行数据清洗和预处理。数据存在异常和缺省数据，需要对数据进行缺省值填充和异常处理，异常值处理为数据总和小于阈值则判断为异常值，进行删除并对其进行缺省值填充，重新用上一小时的数据代替此时刻的值。为方便加载数据，将台风地球同步卫星数据每个时刻的高、中、低空的三个水汽通道数据存储为图像格式(8-bit)，三个水汽通道的卫星数据直接保存为图像的RGB三个通道。并且为方便处理和训练，减少硬件资源将数据进行压缩处理。
S3：建立单个cell为trajGRU且结构为编码器与预测器的端到端结构的网络结构，为训练速度加快以及得到更好的效果融入上下采样网络结构；
S4：训练cell为trajGRU的编码器与预测器结构模型，将t1时间内台风地球同步数据M1，M2…Mm1作为输入序列数据，对应的真实值为t2内台风地球同步卫星数据O1，O2…Om2作为标签序列数据。调整batchsize、学习率、优化器、epoch次数、损失函数等功能。进行模型训练，最终根据预测样本输出预测数据。
S5：利用阈值将地球同步卫星数据生成为多类别数据，通过更改预测器的输出端网络结构为分类器，并修改损失函数，并进行模型训练，得到分类辅助模型。
S6：通过S4可以得出多个模型，进行预测，通过S5得到的分类辅助模型来决定未来的每个时刻要选取的最合适的预测数据，最终整合输出最终的预测结果。
其中，所述步骤S1中的选择等间隔数据即在一段时间内选择等同间隔的n个数据。
其中，步骤S2中，所述缺省值填充步骤为：将t时刻实际观测的特征数据用t+1时刻实际观测的特征数据与t-1时刻实际观测的特征数据的均值或者t时刻模式预测的特征数据进行填充，将t时刻模式预测的特征数据用t+1时刻模式预测的特征数据与t-1时刻模式预测的特征数据的均值或者t时刻实际观测的特征数据进行填充。数据压缩为将分辨率1999*1999的数据resize为512*512的分辨率大小。
其中，所述步骤S3中，上下采样主要应用于卷积过程和反卷积过程，这样可以在采样的同时还可以提取很多特征。
其中，所述步骤S4中，模型选择的损失函数为RMSE损失函数公式如(1)公式如(1)
Figure BDA0002818676920000021
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure BDA0002818676920000022
为真实的地球同步台风轨迹数据中每个点的数值，N为样本集的数量。
网络cell为trajGRU的内部计算公式为
Ut,Vt＝γ(Xt,Ht-1)#(2)
Figure BDA0002818676920000031
Figure BDA0002818676920000032
Figure BDA0002818676920000033
Ht＝(1-Zt)οHt′+ZtοHt-1#(6)
其中，所述步骤S5中，我们将0-80的数据范围通过九个范围，八个阈值得到九个类别。
Figure BDA0002818676920000034
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure BDA0002818676920000035
为真实的地球同步台风轨迹数据中每个点的数值,在处理之后为1-9的类别值。
其中，所述步骤S6中，通过S4的模型预测出的多种结果通过S5模型的分类预测选择更好的预测结果进行最终的预测，即通过调整多个参数，训练出RMSE都很低并且相近的多个预测模型，通过S5模型预测出未来的每个时刻的地球同步台风数据值的类别，通过计算每个预测数据与分类数据范围的相似度，将相似度高的最后最终的这个时刻的预测值，最终挑选出所有的时刻的最优的预测值，作为最终的输出预测序列值。
相对于现有技术，本发明的优点如下：本发明采用了输入数据为过去连续多个时刻的卫星同步台风数据，通过调节不同参数和网络参数等，训练出多个评价指标相似且收敛最好的时空序列预测模型，用这些模型做多次未来每个时刻的预测，并采用更改网络结构之后的时空序列分类模型进行决策这些模型在未来每个时刻的预测作为最优值，最终将每个最优预测值整合成最后的预测数据值，最终得到未来多时刻的时空序列预测数据，得到了一个总体时序精度更高的未来多时刻台风轨迹预测数据。
1.可以同时预测未来多个时刻的数据
2.通过模型融合，可以在每个时间点得到最优的数据
附图说明
图1为本发明具体实施方式中步骤S4中的编码器与预测器结构的示意图；
图2为本发明具体实施方式中方法的流程图；
图3为本发明具体实施方式中S5中的分类模型的结构图；
图4为预测结果与真实值的对比图。
具体实施方式
为了加深对本发明的认识和理解，下面结合附图和实施例详细的介绍该技术方案。
实施例1：参见图1—图4，一种提高台风轨迹预测精度的方法，包括以下步骤：
S1：输入t1时间内的m1个历史台风地球同步卫星数据，包含t1时间内历史的台风地球同步卫星数据M1，M2…Mm1，输出对应真实值为t2时间过程之间对应m2个台风地球同步卫星数据O1，O2…Om2；其中，Ms表示t1时间内卫星所获取的历史时间中第s个台风地球同步卫星数据，1≤s≤m1，m1表示t1时间内选取的等间隔数据总量，Oi表示接下来t2时间内台风地球同步卫星数据的第i个台风地球同步卫星数据，1≤i≤m2，m2表示t2时间内选取的间隔数据总数；将O1，O2…Om2作为数据实际标签序列数据，M1，M2…Mm1作为输入序列数据单位。；
S2：对输入和输出的高、中、低空每个水汽通道的地球同步卫星数据进行数据清洗和预处理。数据存在异常和缺省数据，需要对数据进行缺省值填充和异常处理，异常值处理为数据总和小于阈值则判断为异常值，进行删除并对其进行缺省值填充，重新用上一小时的数据代替此时刻的值。为方便加载数据，将台风地球同步卫星数据每个时刻的高、中、低空的三个水汽通道数据存储为图像格式(8-bit)，三个水汽通道的卫星数据直接保存为图像的RGB三个通道。并且为方便处理和训练，减少硬件资源将数据进行压缩处理。
S3：建立单个cell为trajGRU且结构为编码器与预测器的端到端结构的网络结构，为训练速度加快以及得到更好的效果融入上下采样网络结构；
S4：训练cell为trajGRU的编码器与预测器结构模型，将t1时间内台风地球同步数据M1，M2…Mm1作为输入序列数据，对应的真实值为t2内台风地球同步卫星数据O1，O2…Om2作为标签序列数据。调整batchsize、学习率、优化器、epoch次数、损失函数等功能。进行模型训练，最终根据预测样本输出预测数据。
S5：利用阈值将地球同步卫星数据生成为多类别数据，通过更改预测器的输出端网络结构为分类器，并修改损失函数，并进行模型训练，得到分类辅助模型。
S6：通过S4可以得出多个模型，进行预测，通过S5得到的分类辅助模型来决定未来的每个时刻要选取的最合适的预测数据，最终整合输出最终的预测结果。
其中，所述步骤S1中的选择等间隔数据即在一段时间内选择等同间隔的n个数据。
其中，步骤S2中，所述缺省值填充步骤为：将t时刻实际观测的特征数据用t+1时刻实际观测的特征数据与t-1时刻实际观测的特征数据的均值或者t时刻模式预测的特征数据进行填充，将t时刻模式预测的特征数据用t+1时刻模式预测的特征数据与t-1时刻模式预测的特征数据的均值或者t时刻实际观测的特征数据进行填充。数据压缩为将分辨率1999*1999的数据resize为512*512的分辨率大小。
其中，所述步骤S3中，上下采样主要应用于卷积过程和反卷积过程。
其中，所述步骤S4中，模型选择的损失函数为RMSE损失函数公式如(1)公式如(1)
Figure BDA0002818676920000051
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure BDA0002818676920000061
为真实的地球同步台风轨迹数据中每个点的数值，N为样本集的数量。
网络cell为trajGRU的内部计算公式为
Ut,Vt＝γ(Xt,Ht-1)#(2)
Figure BDA0002818676920000062
Figure BDA0002818676920000063
Figure BDA0002818676920000064
Ht＝(1-Zt)οHt′+ZtοHt-1#(6)
其中，所述步骤S5中，我们将0-80的数据范围通过九个范围，八个阈值得到九个类别。
Figure BDA0002818676920000065
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure BDA0002818676920000066
为真实的地球同步台风轨迹数据中每个点的数值,在处理之后为1-9的类别值。
其中，所述步骤S6中，通过S4的模型预测出的多种结果通过S5模型的分类预测选择更好的预测结果进行最终的预测，即通过调整多个参数，训练出RMSE都很低并且相近的多个预测模型，通过S5模型预测出未来的每个时刻的地球同步台风数据值的类别，通过计算每个预测数据与分类数据范围的相似度，将相似度高的最后最终的这个时刻的预测值，最终挑选出所有的时刻的最优的预测值，作为最终的输出预测序列值。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (6)

1.一种提高台风轨迹预测精度的方法，其特征在于：包括以下步骤：
S1：输入t1时间内的m1个历史台风地球同步卫星数据，包含t1时间内历史的台风地球同步卫星数据M1，M2…Mm1，输出对应真实值为t2时间过程之间对应m2个台风地球同步卫星数据O1，O2…Om2；其中，Ms表示t1时间内卫星所获取的历史时间中第s个台风地球同步卫星数据，1≤s≤m1，m1表示t1时间内选取的等间隔数据总量，Oi表示接下来t2时间内台风地球同步卫星数据的第i个台风地球同步卫星数据，1≤i≤m2，m2表示t2时间内选取的间隔数据总数；将O1，O2…Om2作为数据实际标签序列数据，M1，M2…Mm1作为输入序列数据单位，
S2：对输入和输出的高、中、低空每个水汽通道的地球同步卫星数据进行数据清洗和预处理，数据存在异常和缺省数据，需要对数据进行缺省值填充和异常处理，异常值处理为数据总和小于阈值则判断为异常值，进行删除并对其进行缺省值填充，重新用上一小时的数据代替此时刻的值；为方便加载数据，将台风地球同步卫星数据每个时刻的高、中、低空的三个水汽通道数据存储为图像格式(8-bit)，三个水汽通道的卫星数据直接保存为图像的RGB三个通道；并且为方便处理和训练，减少硬件资源将数据进行压缩处理，
S3：建立单个cell为trajGRU且结构为编码器与预测器的网络结构，为加快训练速度以及得到更好的效果融入上下采样网络结构，将t1时间内台风地球同步数据M1，M2…Mm1作为输入序列数据，对应的真实值为t2内台风地球同步卫星数据O1，O2…Om2作为标签序列数据；进行模型训练，调整batchsize、学习率、epoch次数等参数，得到损失函数收敛且大小相似的m3个模型，并且利用训练出的每个模型分别对测试数据进行未来多个时刻点的预测，得到m3组时刻间隔个数为m2的预测序列数据值，
S4：利用阈值将地球同步卫星数据生成为多类别数据，通过更改预测器的输出端网络结构作为分类器，并修改损失函数，进行模型训练，得到分类辅助模型，
S5：通过S4得到的分类辅助模型对测试数据集进行分类预测，得到未来每个时刻的台风多类别数据，通过类别值与所得到像素的值范围作为比较数据；评测m3个同时刻数据与比较数据的差距，寻找差距最小的数据最为此时刻的最终预测值，最终将挑选出的这些数据进行按时间点整合，得到最终的输出序列数据。
2.根据权利要求1所述的一种提高台风轨迹预测精度的方法，其特征在于：所述步骤S1中的选择等间隔数据即在一段时间内选择等同间隔的m1个数据。
3.根据权利要求2所述的一种提高台风轨迹预测精度的方法，其特征在于：所述步骤S2中，缺省值填充步骤为：将t时刻实际观测的特征数据用t+1时刻实际观测的特征数据与t-1时刻实际观测的特征数据的均值或者t时刻模式预测的特征数据进行填充，将t时刻模式预测的特征数据用t+1时刻模式预测的特征数据与t-1时刻模式预测的特征数据的均值或者t时刻实际观测的特征数据进行填充。数据压缩即将分辨率1999*1999的数据resize为512*512的分辨率大小。
4.根据权利要求1所述的一种提高台风轨迹预测精度的方法，其特征在于：所述步骤S3中，上下采样主要应用于卷积过程和反卷积过程，模型选择的损失函数为RMSE损失函数公式如(1)公式如(1)
Figure FDA0002818676910000021
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure FDA0002818676910000026
为真实的地球同步台风轨迹数据中每个点的数值，N为样本集的数量；
网络cell为trajGRU的内部计算公式为
Ut，Vt＝γ(Xt，Ht-1) #(2)
Figure FDA0002818676910000022
Figure FDA0002818676910000023
Figure FDA0002818676910000024
Figure FDA0002818676910000025
5.根据权利要求1所述的一种提高台风轨迹预测精度的方法，其特征在于：所述步骤S4中，将0-80的数据范围通过九个范围，八个阈值得到九个类别，
Figure FDA0002818676910000031
其中W为宽度、H为高度、C为水汽通道数、x为模型预测地球同步台风轨迹数据中每个点的数值，
Figure FDA0002818676910000032
为真实的地球同步台风轨迹数据中每个点的数值，在处理之后为1-9的类别值。
6.根据权利要求1所述的一种提高台风轨迹预测精度的方法，其特征在于：所述步骤S5中，通过S4得到的分类辅助模型对测试数据集进行分类预测，得到未来每个时刻的台风多类别数据，通过类别值与所得到像素的值范围作为比较数据；评测m3个同时刻数据与比较数据的差距，寻找差距最小的数据最为此时刻的最终预测值，最终将挑选出的这些数据进行按时间点整合，得到最终的输出序列数据。
CN202011406564.7A 2020-12-05 2020-12-05 一种提高台风轨迹预测的方法 Active CN112527860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406564.7A CN112527860B (zh) 2020-12-05 2020-12-05 一种提高台风轨迹预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406564.7A CN112527860B (zh) 2020-12-05 2020-12-05 一种提高台风轨迹预测的方法

Publications (2)

Publication Number Publication Date
CN112527860A CN112527860A (zh) 2021-03-19
CN112527860B true CN112527860B (zh) 2022-11-18

Family

ID=74996814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406564.7A Active CN112527860B (zh) 2020-12-05 2020-12-05 一种提高台风轨迹预测的方法

Country Status (1)

Country Link
CN (1) CN112527860B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114563834B (zh) * 2022-04-27 2022-07-26 知一航宇(北京)科技有限公司 一种数值预报产品解释应用方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364097B (zh) * 2018-02-07 2019-01-08 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
CN110046756B (zh) * 2019-04-08 2021-05-07 东南大学 基于小波去噪与Catboost的短时天气预报方法
CN111914873A (zh) * 2020-06-05 2020-11-10 华南理工大学 一种两阶段云服务器无监督异常预测方法

Also Published As

Publication number Publication date
CN112527860A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
US11810359B2 (en) Video semantic segmentation method based on active learning
CN109840471B (zh) 一种基于改进Unet网络模型的可行道路分割方法
CN113159051B (zh) 一种基于边缘解耦的遥感图像轻量化语义分割方法
CN110781776A (zh) 一种基于预测和残差细化网络的道路提取方法
CN112183742B (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN112001308B (zh) 一种采用视频压缩技术和骨架特征的轻量级行为识别方法
CN113239869B (zh) 基于关键帧序列和行为信息的两阶段行为识别方法及系统
CN114998673B (zh) 一种基于本地自注意力机制的大坝缺陷时序图像描述方法
CN112417752B (zh) 基于卷积lstm神经网络的云层轨迹预测方法及系统
CN111968150A (zh) 一种基于全卷积神经网络的弱监督视频目标分割方法
CN111062410A (zh) 基于深度学习的星型信息桥气象预测方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN110852199A (zh) 一种基于双帧编码解码模型的前景提取方法
CN112365422A (zh) 基于深层聚合网络的不规则缺失图像修复方法及其系统
CN114360067A (zh) 一种基于深度学习的动态手势识别方法
CN112527860B (zh) 一种提高台风轨迹预测的方法
CN112215334A (zh) 一种面向事件相机的神经网络模型压缩方法
CN115630742A (zh) 一种基于自监督预训练的天气预测方法及系统
CN111726613A (zh) 一种基于最小可觉差的视频编码优化方法
CN114092467A (zh) 一种基于轻量化卷积神经网络的划痕检测方法及系统
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN116958192A (zh) 一种基于扩散模型的事件相机图像重建方法
CN116309213A (zh) 一种基于生成对抗网络的高实时多源图像融合方法
CN115797904A (zh) 一种智能驾驶视觉感知中多场景多任务的主动学习方法
CN115861930A (zh) 一种基于层级差异特征聚合的人群计数网络建模方法

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