CN114691918A - 基于人工智能的雷达图像检索方法、装置以及电子设备 - Google Patents
基于人工智能的雷达图像检索方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN114691918A CN114691918A CN202210339886.7A CN202210339886A CN114691918A CN 114691918 A CN114691918 A CN 114691918A CN 202210339886 A CN202210339886 A CN 202210339886A CN 114691918 A CN114691918 A CN 114691918A
- Authority
- CN
- China
- Prior art keywords
- sub
- echo
- image
- target
- feature extraction
- 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
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于人工智能的雷达图像检索方法、装置以及电子设备,涉及人工智能领域,具体涉及图像检索、深度学习以及图像识别技术,可应用于智慧城市、应急管理和气象预报场景下。具体实现方案为:获取目标雷达回波图像;从目标雷达回波图像中提取目标子回波,得到目标子回波图像;从目标子回波图像中提取目标子回波的第一特征;获取第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及图像检索、深度学习以及图像识别技术,可应用于智慧城市、应急管理和气象预报场景下。
背景技术
在相关技术中,针对雷达回波相似图像搜索的技术方案普遍存在标注成本巨大、计算速度慢以及无法准确反映回波相似程度的缺点,没有能够广泛使用的相似雷达图像检索的解决方案。
发明内容
本公开提供了一种基于人工智能的雷达图像检索的方法、装置以及电子设备。
根据本公开的一方面,提供了一种基于人工智能的雷达图像检索方法,包括:获取目标雷达回波图像;从目标雷达回波图像中提取目标子回波,得到目标子回波图像;从目标子回波图像中提取目标子回波的第一特征;获取第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波。
可选地,从目标雷达回波图像中提取目标子回波,得到目标子回波图像,包括:对目标雷达回波图像进行图像预处理,得到处理后的图像,其中,图像预处理包括以下至少之一:平移、旋转和数值变换;从处理后的图像中提取出目标子回波,得到目标子回波图像。
可选地,从目标子回波图像中提取目标子回波的第一特征,包括:将目标子回波图像输入深度特征提取模型,得到目标子回波图像中的目标子回波的第一特征,其中,深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,多组样本数据包括:样本子回波图像,样本子回波图像中的子回波的样本特征。
可选地,通过以下方式,采用无监督对比学习的方式经过多组样本数据训练得到深度特征提取模型:构建初始特征提取模型;将样本子回波图像输入初始特征提取模型,得到特征提取结果;基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
可选地,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型,包括:构造损失函数,其中,损失函数包括第一损失项,第二损失项和第三损失项,第一损失项用于确定多组样本数据中正样本的损失值,第二损失项用于确定多组样本数据中负样本的损失值,第三损失值用于增加多组样本数据中正负样本之间的损失差值;采用损失函数,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
可选地,在基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波之后,还包括:获取相似子回波对应的时间数据;基于时间数据对目标子回波对应的天气数据进行预测,得到天气预测结果。
可选地,从目标子回波图像中提取目标子回波的第一特征包括:从目标子回波图像中提取目标子回波的回波特征;对回波特征进行归一化处理,得到归一化的第一特征。
根据本公开的另一方面,提供了一种基于人工智能的雷达图像检索装置,包括:第一获取模块,用于获取目标雷达回波图像;子回波提取模块,用于从目标雷达回波图像中提取目标子回波,得到目标子回波图像;特征提取模块,用于从目标子回波图像中提取目标子回波的第一特征;计算模块,用于获取第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;确定模块,用于基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波。
可选地,子回波提取模块,包括:预处理单元,用于对目标雷达回波图像进行图像预处理,得到处理后的图像,其中,图像预处理包括以下至少之一:平移、旋转和数值变换;子回波提取单元,用于从处理后的图像中提取出目标子回波,得到目标子回波图像。
可选地,特征提取模块,包括:特征提取单元,用于将目标子回波图像输入深度特征提取模型,得到目标子回波图像中的目标子回波的第一特征,其中,深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,多组样本数据包括:样本子回波图像,样本子回波图像中的子回波的样本特征。
可选地,装置还包括:模型训练单元:构建单元,用于构建初始特征提取模型;提取单元,用于将样本子回波图像输入初始特征提取模型,得到特征提取结果;优化单元,用于基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
可选地,优化单元,包括:构造子单元,用于构造损失函数,其中,损失函数包括第一损失项,第二损失项和第三损失项,第一损失项用于确定多组样本数据中正样本的损失值,第二损失项用于确定多组样本数据中负样本的损失值,第三损失值用于增加多组样本数据中正负样本之间的损失差值;优化子单元,用于采用损失函数,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
可选地,装置还包括:第二获取模块,用于获取相似子回波对应的时间数据;预测模块,用于基于时间数据对目标子回波对应的天气数据进行预测,得到天气预测结果。
可选地,特征提取模块,包括:回波特征提取单元,用于从目标子回波图像中提取目标子回波的回波特征;特征处理单元,用于对回波特征进行归一化处理,得到归一化的第一特征。
根据本公开的还一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行任一项上述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行任一项上述的方法。
根据本公开的再一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现任一项上述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的基于人工智能的雷达图像检索方法的流程图;
图2为本公开实施例提供的雷达回波图像的示意图;
图3为本公开可选实施方式提供的基于人工智能的雷达图像检索方法的示意图;
图4为本公开实施例提供的MoCo算法的伪代码示意图;
图5是根据本公开实施例提供的基于人工智能的雷达图像检索装置的结构框图;
图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
术语说明
基于动量比对的非监督式视觉表征学习(Momentum Contrast for UnsupervisedVisual Representation Learning,简称MOCO),该模型是非监督式机器学习在图像识别(表征)领域的应用,属于预训练,可做迁移学习使用。
在本公开实施例中,提供了一种基于人工智能的雷达图像检索方法,图1是本公开实施例提供的基于人工智能的雷达图像检索方法的流程图,如图1所示,该方法包括:
步骤S102,获取目标雷达回波图像;
步骤S104,从目标雷达回波图像中提取目标子回波,得到目标子回波图像;
步骤S106,从目标子回波图像中提取目标子回波的第一特征;
步骤S108,获取第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;
步骤S110,基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波。
通过上述处理,可以先从雷达回波图像中提取得到子回波图像,对子回波图像中的目标子回波本身进行特征提取,再根据提取的特征计算其与数据库中多个子回波对应的特征的相似度,就可以根据计算得到的相似度确定出数据库中与目标子回波相似的相似子回波,从而高效、准确地完成对与目标子回波相似的子回波的搜索,大大解决了在对雷达回波图像中的子回波进行搜索过程中的标注成本巨大、计算速度慢以及无法准确反映回波相似程度的问题,且上述方案可广泛用于雷达相似图像的检索。
作为一种可选的实施例,从目标雷达回波图像中提取目标子回波,得到目标子回波图像,可以采用以下方式:对目标雷达回波图像进行图像预处理,得到处理后的图像,其中,图像预处理包括以下至少之一:平移、旋转和数值变换;从处理后的图像中提取出目标子回波,得到目标子回波图像。通过对目标雷达回波进行图像预处理,可以对图像进行数据增强,以便于后期可以更加准确地提取特征。由于一般的图像增强处理,例如,放大,缩小,或者变形等会带来雷达回波图像的数据的变化,进而导致数据的不准确。而采用上述图像平移、旋转和数值变化的手段则可以有效克服上述缺陷。因此,由于雷达图像数据与自然图像数据略有不同,雷达图像数据具有一定的物理意义,所以在上述预处理过程中采用了适合于雷达图像的数据增强手段,包括但不限于图像平移、旋转和数值变化,其它能够对雷达图像进行预处理的方法也属于本公开的内容,在此不再一一举例说明。
需要说明的是,上述子回波的提取可以通过多种方法实现,包括但不限于:泛洪算法,人工提取。其它能够从雷达图像提取出子回波的方法也属于本公开实施例的内容,在此不再一一举例说明。
作为一种可选的实施例,从目标子回波图像中提取目标子回波的第一特征,可以采用以下方式:将目标子回波图像输入深度特征提取模型,得到目标子回波图像中的目标子回波的第一特征,其中,深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,多组样本数据包括:样本子回波图像,样本子回波图像中的子回波的样本特征。采用深度特征提取模型的方式,从目标子回波图像中提取目标子回波的第一特征,由于采用人工智能的方式进行特征提取,因此具有高效,快速的好处。另外,由于深度特征提取模型是采用无监督对比学习的方式进行训练得到的,所以该特征提取模型在训练过程中不需要人工进行标注,节省了大量的人工成本,同时,经过大量样本数据训练后的深度特征提取模型可以快速、准确地提取出子回波图像的高阶特征。
作为一种可选的实施例,可以通过以下方式,采用无监督对比学习的方式经过多组样本数据训练得到深度特征提取模型:构建初始特征提取模型;将样本子回波图像输入初始特征提取模型,得到特征提取结果;基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。通过在模型的训练过程中,基于样本图像特征提取的结果采用无监督对比学习的方式对初始特征提取模型进行优化,可以使得最后得到的目标特征提取模型能够准确提取出雷达子回波图像的特征,以避免在后续根据特征计算相似度时出现误差或误差过大的问题。
作为一种可选的实施例,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型,可以采用以下方式:构造损失函数,其中,损失函数包括第一损失项,第二损失项和第三损失项,第一损失项用于确定多组样本数据中正样本的损失值,第二损失项用于确定多组样本数据中负样本的损失值,第三损失值用于增加多组样本数据中正负样本之间的损失差值;采用损失函数,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。由于雷达图像数据的特殊性,即使是从视觉图像来看高度相似的两张雷达图像,也可能会因为某个具体数值的不同而代表着完全不同的意义,因此,利用第一损失项、第二损失项和第三损失项共同构造损失函数,就可以最大程度地避免特征提取不准确的问题。尤其是用于增加多组样本数据中正负样本之间损失差值的第三损失值,设置该损失项可以在模型训练过程中进一步地区分正负样本。
作为一种可选的实施例,在基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波之后,还可以:获取相似子回波对应的时间数据;基于时间数据对目标子回波对应的天气数据进行预测,得到天气预测结果。在确定相似子回波后,可以从数据库中获取相似子回波对应的时间数据,根据该时间数据,就可以进一步地获取相似子回波对应的天气数据。也就是说,可以根据当前雷达子回波相似图像的搜索结果,预测子回波对应的未来一段时间内的天气情况,同时,由于上述方案过程中可以保证高阶特征提取结果以及相似图像搜索结果的准确性,所以,由此得出的天气预测结果同样具有较高的准确性和可靠性。
作为一种可选的实施例,从目标子回波图像中提取目标子回波的第一特征可以采用以下方式:从目标子回波图像中提取目标子回波的回波特征;对回波特征进行归一化处理,得到归一化的第一特征。通过对提取得到的目标子回波的回波特征进行归一化处理,可以将提取的特征映射到同一平面,有利于后续相似度的计算,进一步地提高数据相似度的计算效率。
需要说明的是,虽然本公开上述方案的处理对象为雷达图像,但本公开所提供的方案还可以用于其它气象数据的相似搜索,例如,包括但不限于:卫星云图的相似强对流,台风。
基于上述实施例及可选实施例,提供了一种可选实施方式。
在气象行业,对降雨进行临近预报可以利用雷达观测数据实现。当有新的雷达观测数据产生时,其图像可能会含有若干个雷达子回波,较强的子回波往往会产生较强的降水,但该子回波的未来变化情况是未知的,需要对其进行预测。一种可行的方法是找到过去已经出现的与之相似的子回波,通过参考其未来变化对当前雷达回波的变化做出预测。
图2为本公开实施例提供的雷达回波图像的示意图,如图2所示,方框中的即是提取的子回波。
在相关技术中的图像检索主要是基于文本的图像检索技术(Text-based ImageRetrieval,简称TEIR),利用文本描述的方式描述图像的特征,如绘画作品的作者、年代、流派、尺寸等。另外一种图像检索技术是,对图像的内容语义,如图像的颜色、文理、布局等进行分析和检索的图像检索技术,即基于内容的图像检索(Content-based ImageRetrieval,简称CBIR)技术。CBIR属于基于内容检索(Content-based Retrieval,简称CBR)的一种,CBR中还包括对动态视频、音频等其它形式多媒体信息的检索技术。
无论是基于文本的图像检索还是基于内容的图像检索,主要包括三方面:一方面对用户需求的分析和转化,形成可以检索索引数据库的提问;另一方面,收集和加工图像资源,提取特征,分析并进行标引,建立图像的索引数据库;最后一方面是根据相似度算法,计算用户提问与索引数据库中记录的相似度大小,提取出满足阈值的记录作为结果,按照相似度降序的方式输出。
但是,雷达图像的数据量较大,对于单个雷达,一般5-10分钟就能产生一张300*300大小的图像数据;雷达图像数据需要专业人员才能理解图像的内容,标注成本较大;使用传统统计学方法如空间相关系数等方法在搜索时存在计算速度慢的问题,而且原始数据求空间相关并不能很好地反映回波的相似程度,所以气象业务上并没有广泛使用的相似雷达图像检索系统。
本公开可选实施方式为解决给定一个时次的雷达回波图,提取其中的子回波,并从历史雷达数据中搜索得到与每个子回波强度及形态最相似的若干个时次的技术问题,提出了一种基于无监督特征学习方法完成雷达相似图像搜索的方案,该方案不需要人工标注,就可以学习每个雷达子回波的高阶特征表示。其优点有二:将上万维的数据降维到百维左右,可以提高数据相似度的计算效率;通过适当的调整,深度无监督特征学习方法学习到的特征对不同实例具有区分度,越相似的图像,其提取到的特征相似度越高。
图3为本公开可选实施方式提供的基于人工智能的雷达图像检索方法的示意图,如图3所示,本公开可选实施方式的系统包含5个模块,分别是回波提取模块,特征提取模块,相似搜索模块、可视化模块和雷达数据库更新模块。系统工作流程如下:
(1)当系统接收一个新的雷达图像输入时(雷达图像输入通常是二维数组,取值范围是0-80,空间范围为雷达探测范围或若干部雷达的探测范围,如1000公里*1000公里),首先对该1000*1000的雷达回波数据进行雷达子回波的提取,一般可以采用泛洪算法来提取(该方法非唯一,方法可选,人工提取也可以),即找出图像中大于某阈值的连通区域,不妨设从原始回波中找出了20个子回波,并将其存在512*512的数组中;
(2)利用训练好的深度特征提取模型提取每个子回波的高阶特征,如提取为128维向量,则得到20*128的特征数组;
(3)计算每个子回波特征与历史雷达子回波数据库(如3000000个子回波,数组大小为3000000*128)的特征的相似度,得到20*3000000个相似度。针对每个个例选择最相似的若干个(如5个)时次作为搜索结果,得到20*5大小的数组,数组元素为雷达子回波的时间;
(4)针对每个待搜雷达子回波,调取其最相似历史子回波的时间,然后进行可视化,包含待搜子回波和找到的5个子回波,共计输出20张搜索结果;
(5)可选择使用雷达数据库更新模块将待搜雷达子回波及其对应的发生时间加入历史雷达子回波数据库中,如此,则在下次搜索时,该20个待搜雷达子回波也属于历史子回波。
在本公开可选实施方式中,当有新的雷达观测数据输入时,首先提取其中若干个雷达子回波,然后分别提取每个子回波的特征向量,接着分别计算它们与历史雷达回波数据库向量的相似度,针对每个子回波,都返回与其最相似的若干个回波,及它们对应的时次,最后进行可视化。在搜索完毕后,可以选择将该待搜索回波的子回波的特征及对应的时间,加入历史雷达数据库。
本公开可选实施方式所需要的深度特征提取模型主要是基于MoCo模型,该特征提取模型并不是唯一可用,可替换为其它无监督对比学习方法,该模型主要原理如下:
该方法为一种无监督的视觉表示学习方法。基于对比表示的自监督学习的一般思路就是:对于给定的一个样本x,选择一个(或者一批)正样本y(这里的正样本对于图像上的理解就是x的不同的数据增强版本)。然后选择一批负样本(对于图像来说,就是除了x之外的图像),然后设计损失函数来将x与正样本之间的距离拉近,负样本之间的距离推开。
传统上字典的大小就是批尺寸,由于算力的影响不能设置过大,因此很难应用大量的负样本。因此效率较低。为了解决这个问题,本文采用队列来存储这个字典,在训练过程中,每一个新的批完成编码后进入队列,最老的批出队列,这样字典的大小与批尺寸实现分离,这样可用的字典的大小就可以远远大于批尺寸,负样本的数目就会大大扩增,效率得到大幅提升。
图4为本公开实施例的MoCo算法的伪代码示意图。如图4所示,MoCo整个核心思想就分为两大部分:利用队列代替存储,当队列满了之后,用最新的批数据得到的批编码密钥挤掉最老的批编码密钥,这样既保证了批尺寸与字典大小的解耦,又保证了队列中的编码密钥是由临近几代的编码器产生的。利用动量去更新密钥编码器的参数,公式如下:
θk←mθk+(1-m)θq
本公开可选实施方式在使用MoCo模型时主要进行了三方面改进,以便改进其在提取雷达数据特征上的效果。
第一,增加了特征归一化层。这样做的目的是将提取的特征映射到一个高维的超平面上,有助于相似度计算。
第二,MoCo针对的数据为自然图像数据,而雷达回波数据为具有物理意义的数据,在数据增强不能使用如增加随机噪声和随意裁剪等方法。本公开可选实施方式采用了适当的图像平移、旋转和数值变换等数据增强手段。
第三,在每次计算对比损失时,增加了额外的正样本和负样本的损失,以便更好的区分正负样本。这是由雷达数据的特征来决定的,因为同样形状的雷达数据,数值大小不同就完全是不同的个例。
本公开可选实施方式提供的技术方案除了可以应用于雷达回波搜索模型外,也可以应用于其它气象数据的相似搜索,如卫星云图的相似强对流、台风等。
在本公开实施例中,还提供了一种基于人工智能的雷达图像检索装置,图5是根据本公开实施例提供的基于人工智能的雷达图像检索装置的结构框图,如图5所示,该装置包括:第一获取模块51,子回波提取模块52,特征提取模块53,计算模块54和确定模块55,下面对该装置进行说明。
第一获取模块51,用于获取目标雷达回波图像;
子回波提取模块52,连接至上述第一获取模块51,用于从目标雷达回波图像中提取目标子回波,得到目标子回波图像;
特征提取模块53,连接至上述子回波提取模块52,用于从目标子回波图像中提取目标子回波的第一特征;
计算模块54,连接至上述特征提取模块53,用于获取第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;
确定模块55,连接至上述计算模块54,用于基于第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度,确定数据库中与目标子回波相似的相似子回波。
作为一种可选的实施例,子回波提取模块52,包括:预处理单元,用于对目标雷达回波图像进行图像预处理,得到处理后的图像,其中,图像预处理包括以下至少之一:平移、旋转和数值变换;子回波提取单元,用于从处理后的图像中提取出目标子回波,得到目标子回波图像。
作为一种可选的实施例,特征提取模块53,包括:特征提取单元,用于将目标子回波图像输入深度特征提取模型,得到目标子回波图像中的目标子回波的第一特征,其中,深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,多组样本数据包括:样本子回波图像,样本子回波图像中的子回波的样本特征。
作为一种可选的实施例,上述装置还包括:模型训练单元:构建单元,用于构建初始特征提取模型;提取单元,用于将样本子回波图像输入初始特征提取模型,得到特征提取结果;优化单元,用于基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
作为一种可选的实施例,优化单元,包括:构造子单元,用于构造损失函数,其中,损失函数包括第一损失项,第二损失项和第三损失项,第一损失项用于确定多组样本数据中正样本的损失值,第二损失项用于确定多组样本数据中负样本的损失值,第三损失值用于增加多组样本数据中正负样本之间的损失差值;优化子单元,用于采用损失函数,基于特征提取结果与样本子回波图像中的子回波的样本特征,利用无监督对比学习的方式优化初始特征提取模型,得到目标特征提取模型。
作为一种可选的实施例,上述装置还包括:第二获取模块,用于获取相似子回波对应的时间数据;预测模块,用于基于时间数据对目标子回波对应的天气数据进行预测,得到天气预测结果。
作为一种可选的实施例,特征提取模块53还包括:回波特征提取单元,用于从目标子回波图像中提取目标子回波的回波特征;特征处理单元,用于对回波特征进行归一化处理,得到归一化的第一特征。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如基于人工智能的雷达图像检索方法。例如,在一些实施例中,基于人工智能的雷达图像检索方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的基于人工智能的雷达图像检索方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于人工智能的雷达图像检索方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种基于人工智能的雷达图像检索方法,包括:
获取目标雷达回波图像;
从所述目标雷达回波图像中提取目标子回波,得到目标子回波图像;
从所述目标子回波图像中提取所述目标子回波的第一特征;
获取所述第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;
基于所述第一特征分别与所述数据库中的所述多个子回波对应的所述第二特征之间的所述相似度,确定所述数据库中与所述目标子回波相似的相似子回波。
2.根据权利要求1所述的方法,其中,所述从所述目标雷达回波图像中提取目标子回波,得到目标子回波图像,包括:
对所述目标雷达回波图像进行图像预处理,得到处理后的图像,其中,所述图像预处理包括以下至少之一:平移、旋转和数值变换;
从所述处理后的图像中提取出目标子回波,得到所述目标子回波图像。
3.根据权利要求1所述的方法,其中,所述从所述目标子回波图像中提取所述目标子回波的第一特征,包括:
将所述目标子回波图像输入深度特征提取模型,得到所述目标子回波图像中的所述目标子回波的第一特征,其中,所述深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,所述多组样本数据包括:样本子回波图像,所述样本子回波图像中的子回波的样本特征。
4.根据权利要求3所述的方法,其中,所述方法还包括:通过以下方式,采用所述无监督对比学习的方式经过所述多组样本数据训练得到所述深度特征提取模型:
构建初始特征提取模型;
将所述样本子回波图像输入所述初始特征提取模型,得到特征提取结果;
基于所述特征提取结果与所述样本子回波图像中的子回波的样本特征,利用所述无监督对比学习的方式优化所述初始特征提取模型,得到所述目标特征提取模型。
5.根据权利要求4所述的方法,其中,所述基于所述特征提取结果与所述样本子回波图像中的子回波的样本特征,利用所述无监督对比学习的方式优化所述初始特征提取模型,得到所述目标特征提取模型,包括:
构造损失函数,其中,所述损失函数包括第一损失项,第二损失项和第三损失项,所述第一损失项用于确定所述多组样本数据中正样本的损失值,所述第二损失项用于确定所述多组样本数据中负样本的损失值,所述第三损失值用于增加所述多组样本数据中正负样本之间的损失差值;
采用所述损失函数,基于所述特征提取结果与所述样本子回波图像中的子回波的样本特征,利用所述无监督对比学习的方式优化所述初始特征提取模型,得到所述目标特征提取模型。
6.根据权利要求1所述的方法,其中,在基于所述第一特征分别与所述数据库中的所述多个子回波对应的所述第二特征之间的所述相似度,确定所述数据库中与所述目标子回波相似的相似子回波之后,还包括:
获取所述相似子回波对应的时间数据;
基于所述时间数据对所述目标子回波对应的天气数据进行预测,得到天气预测结果。
7.根据权利要求1至6中任一项所述的方法,其中,所述从所述目标子回波图像中提取所述目标子回波的第一特征包括:
从所述目标子回波图像中提取所述目标子回波的回波特征;
对所述回波特征进行归一化处理,得到归一化的所述第一特征。
8.一种基于人工智能的雷达图像检索装置,包括:
第一获取模块,用于获取目标雷达回波图像;
子回波提取模块,用于从所述目标雷达回波图像中提取目标子回波,得到目标子回波图像;
特征提取模块,用于从所述目标子回波图像中提取所述目标子回波的第一特征;
计算模块,用于获取所述第一特征分别与数据库中的多个子回波对应的第二特征之间的相似度;
确定模块,用于基于所述第一特征分别与所述数据库中的所述多个子回波对应的所述第二特征之间的所述相似度,确定所述数据库中与所述目标子回波相似的相似子回波。
9.根据权利要求8所述的装置,其中,所述子回波提取模块,包括:
预处理单元,用于对所述目标雷达回波图像进行图像预处理,得到处理后的图像,其中,所述图像预处理包括以下至少之一:平移、旋转和数值变换;
子回波提取单元,用于从所述处理后的图像中提取出目标子回波,得到所述目标子回波图像。
10.根据权利要求8所述的装置,其中,所述特征提取模块,包括:
特征提取单元,用于将所述目标子回波图像输入深度特征提取模型,得到所述目标子回波图像中的所述目标子回波的第一特征,其中,所述深度特征提取模型采用无监督对比学习的方式经过多组样本数据训练得到,所述多组样本数据包括:样本子回波图像,所述样本子回波图像中的子回波的样本特征。
11.根据权利要求10所述的装置,其中,所述装置还包括:模型训练单元:
构建单元,用于构建初始特征提取模型;
提取单元,用于将所述样本子回波图像输入所述初始特征提取模型,得到特征提取结果;
优化单元,用于基于所述特征提取结果与所述样本子回波图像中的子回波的样本特征,利用所述无监督对比学习的方式优化所述初始特征提取模型,得到所述目标特征提取模型。
12.根据权利要求11所述的装置,其中,所述优化单元,包括:
构造子单元,用于构造损失函数,其中,所述损失函数包括第一损失项,第二损失项和第三损失项,所述第一损失项用于确定所述多组样本数据中正样本的损失值,所述第二损失项用于确定所述多组样本数据中负样本的损失值,所述第三损失值用于增加所述多组样本数据中正负样本之间的损失差值;
优化子单元,用于采用所述损失函数,基于所述特征提取结果与所述样本子回波图像中的子回波的样本特征,利用所述无监督对比学习的方式优化所述初始特征提取模型,得到所述目标特征提取模型。
13.根据权利要求8所述的装置,其中,所述装置,还包括:
第二获取模块,用于获取所述相似子回波对应的时间数据;
预测模块,用于基于所述时间数据对所述目标子回波对应的天气数据进行预测,得到天气预测结果。
14.根据权利要求8至13中任一项所述的装置,其中,所述特征提取模块,包括:
回波特征提取单元,用于从所述目标子回波图像中提取所述目标子回波的回波特征;
特征处理单元,用于对所述回波特征进行归一化处理,得到归一化的所述第一特征。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339886.7A CN114691918B (zh) | 2022-04-01 | 2022-04-01 | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339886.7A CN114691918B (zh) | 2022-04-01 | 2022-04-01 | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114691918A true CN114691918A (zh) | 2022-07-01 |
CN114691918B CN114691918B (zh) | 2023-06-02 |
Family
ID=82141405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339886.7A Active CN114691918B (zh) | 2022-04-01 | 2022-04-01 | 基于人工智能的雷达图像检索方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114691918B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687670A (zh) * | 2023-01-03 | 2023-02-03 | 天津恒达文博科技股份有限公司 | 图像搜索方法、装置、计算机可读存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239739A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111931991A (zh) * | 2020-07-14 | 2020-11-13 | 上海眼控科技股份有限公司 | 气象临近预报方法、装置、计算机设备和存储介质 |
CN112580509A (zh) * | 2020-12-18 | 2021-03-30 | 中国民用航空总局第二研究所 | 逻辑推理式道面检测方法及系统 |
CN113109816A (zh) * | 2021-03-29 | 2021-07-13 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
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 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-01 CN CN202210339886.7A patent/CN114691918B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239739A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111931991A (zh) * | 2020-07-14 | 2020-11-13 | 上海眼控科技股份有限公司 | 气象临近预报方法、装置、计算机设备和存储介质 |
CN112580509A (zh) * | 2020-12-18 | 2021-03-30 | 中国民用航空总局第二研究所 | 逻辑推理式道面检测方法及系统 |
CN113109816A (zh) * | 2021-03-29 | 2021-07-13 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
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 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687670A (zh) * | 2023-01-03 | 2023-02-03 | 天津恒达文博科技股份有限公司 | 图像搜索方法、装置、计算机可读存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114691918B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966522B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN113590645B (zh) | 搜索方法、装置、电子设备及存储介质 | |
JP7403605B2 (ja) | マルチターゲット画像テキストマッチングモデルのトレーニング方法、画像テキスト検索方法と装置 | |
CN114612759B (zh) | 视频处理方法、查询视频的方法和模型训练方法、装置 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN115130581B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
CN114782719A (zh) | 一种特征提取模型的训练方法、对象检索方法以及装置 | |
CN114611625A (zh) | 语言模型训练、数据处理方法、装置、设备、介质及产品 | |
CN114692778A (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
Kong et al. | Collaborative model tracking with robust occlusion handling | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN115565177A (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN114443864A (zh) | 跨模态数据的匹配方法、装置及计算机程序产品 | |
CN114580548A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN114647751A (zh) | 图像检索方法、模型训练方法、装置、设备、介质及产品 | |
CN114647727A (zh) | 应用于实体信息识别的模型训练方法、装置和设备 | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 | |
CN116089586B (zh) | 基于文本的问题生成方法及问题生成模型的训练方法 |
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 |