CN115205738B - 应用于城市内涝的应急排水方法和系统 - Google Patents

应用于城市内涝的应急排水方法和系统 Download PDF

Info

Publication number
CN115205738B
CN115205738B CN202210785015.8A CN202210785015A CN115205738B CN 115205738 B CN115205738 B CN 115205738B CN 202210785015 A CN202210785015 A CN 202210785015A CN 115205738 B CN115205738 B CN 115205738B
Authority
CN
China
Prior art keywords
ponding
image
processed
pyramid
network model
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
CN202210785015.8A
Other languages
English (en)
Other versions
CN115205738A (zh
Inventor
钱哲
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.)
Guangzhou Heda Water Technology Co ltd
Original Assignee
Guangzhou Heda Water Technology Co ltd
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 Guangzhou Heda Water Technology Co ltd filed Critical Guangzhou Heda Water Technology Co ltd
Priority to CN202210785015.8A priority Critical patent/CN115205738B/zh
Publication of CN115205738A publication Critical patent/CN115205738A/zh
Application granted granted Critical
Publication of CN115205738B publication Critical patent/CN115205738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了应用于城市内涝的应急排水方法和系统，包括：获取易积水点的历史积水视频和易积水点的实时积水图像；采用逐帧读取技术将历史积水视频制成多张积水图像，基于高斯‑拉普拉斯金字塔分解方法对每一张积水图像进行增强处理；利用处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；利用处理后的积水图像和训练好的循环生成对抗网络模型构建第一样本集，基于第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；利用积水程度识别模型对实时积水图像进行处理。通过本发明中的方法可以实现对积水点的及时精准的监测，且可以积极的给出准确的排水方案。

Description

应用于城市内涝的应急排水方法和系统
技术领域
本发明涉及排水技术领域，具体而言，涉及应用于城市内涝的应急排水方法和系统。
背景技术
目前，随着全球气候的恶化，城市内涝时常发生，而城市内涝会严重威胁人民群众的生命和财产安全。目前关于城市内涝的处理方式中，常用的为在高发地点安装水位标尺，根据积水达到的标尺位置进行相应治理，通过此种方式需要大量的人力物力对其进行分析监控，不易于及时准确的给出排水方案；因此若能提供一种智能的排水方法，对易积水点进行监测，再根据监测内容及时准确的给出对应的排水方案，则可以实现对城市内涝的智慧化处理，有效减少内涝对城市的危害。
发明内容
本发明的目的在于提供应用于城市内涝的应急排水方法和系统，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了应用于城市内涝的应急排水方法，所述方法包括：
获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；
利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；
利用所述积水程度识别模型对所述实时积水图像进行处理，得到所述实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
第二方面，本申请实施例提供了应用于城市内涝的应急排水系统，所述系统包括获取模块、增强模块、第一训练模块、第二训练模块和启动模块。
获取模块，用于获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
增强模块，用于采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
第一训练模块，用于利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；
第二训练模块，用于利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；
启动模块，用于利用所述积水程度识别模型对所述实时积水图像进行处理，得到所述实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
第三方面，本申请实施例提供了应用于城市内涝的应急排水设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述应用于城市内涝的应急排水方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质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上述应用于城市内涝的应急排水方法的步骤。
本发明的有益效果为：
1、本发明考虑到积水时常伴随着水气，由摄像头采集到的视频分解到的积水图像可能清晰度不够，因此本发明采用图像增强处理对每一张积水图像进行处理，处理后在利用其对模型进行训练，通过本发明的方法可以保证进入模型的图像的质量，进而提高训练后的模型的精准度。
2、本发明在利用处理后的积水图像构建积水程度识别模型时，考虑到有些积水点的积水视频并不易采集，导致制成的处理后的积水图像较少，在训练样本较少的情况下，可能会出现最终训练出的积水程度识别模型精准度较差的问题，因此本发明在处理后的积水图像的基础上，对循环生成对抗网络模型进行训练，再利用训练好的循环生成对抗网络模型生成更多的训练样本，通过此种方法可以来提高积水程度识别模型识别的准确性。
3、通过本发明中的方法可以实现对积水点的及时精准的监测，且可以积极的给出准确的排水方案，此外，通过此种智能的处理方法还可以减少大量的人力成本。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的应用于城市内涝的应急排水方法流程示意图；
图2是本发明实施例中所述的应用于城市内涝的应急排水系统结构示意图；
图3是本发明实施例中所述的应用于城市内涝的应急排水设备结构示意图；
图中标记：701、获取模块；702、增强模块；703、第一训练模块；704、第二训练模块；705、启动模块；7021、分解单元；7022、第一计算单元；7023、第二计算单元；7024、重构单元；7031、构建单元；7032、第三计算单元；7033、第一训练单元；70321、处理单元；70322第四计算单元；70323、第五计算单元；703231、第一计算子单元；703232、第二计算子单元；703233、第三计算子单元；7041、输入单元；7042、添加单元；7043、第二训练单元；800、应用于城市内涝的应急排水设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了应用于城市内涝的应急排水方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
在本步骤中，可以通过道路上布设的摄像头采集易积水点的历史积水视频，同样的道理，易积水点的实时积水图像也可以采用道路上布设的摄像头进行采集；易积水点的历史积水视频可以是易积水点的积水量较多时一段时间内的积水视频，也可以是从开始积水到没有积水的积水视频，积水视频的长短可根据用户的需求进行自定义设置；
步骤S2、采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
在本步骤中，考虑到积水时常伴随着水气，由摄像头采集到的视频分解到的积水图像可能清晰度不够，因此本步骤中采用图像增强处理对每一张积水图像进行处理，处理后在利用其对模型进行训练，通过本步骤中的方法可以保证进入模型的图像的质量，进而提高训练后的模型的精准度；
除了本步骤中的增强处理方法之外，还可以采用小波分解对积水图像进行分解，然后对分解后的每一个分量进行增强处理，再将增强处理之后的分量进行重构，完成积水图像的增强处理；
在本步骤，具体的实施步骤可以包括步骤S21、步骤S22、步骤S23和步骤S24；
步骤S21、利用高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行分解，得到具有三层高斯子图像的高斯金字塔和具有三拉普拉斯子图像的拉普拉斯金字塔；
在本步骤中，利用高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行分解时，考虑到计算效率，因此只将其分解为三层；除了本步骤中将其分解为三层之外，还可以分解为四层、五层、六层等；
步骤S22、计算所述高斯金字塔中每层所述高斯子图像对应的邻域标准差，将每层对应的邻域标准差进行组合得到第一金字塔，对所述第一金字塔进行归一化处理，得到第二金字塔，所述第二金字塔具有三层；
在本步骤中，将每层对应的邻域标准差进行组合得到第一金字塔可以看做是标准金字塔；
步骤S23、将所述第二金字塔的第一层与所述拉普拉斯金字塔第一层相乘，将所述第二金字塔的第二层与所述拉普拉斯金字塔第二层相乘，将所述第二金字塔的第三层与所述拉普拉斯金字塔第三层相乘，每层均相乘后得到第三金字塔；
在本步骤中，将所述第二金字塔的每一层与所述拉普拉斯金字塔每一层相乘，可以理解为对拉普拉斯金字塔的每一层进行降噪处理；
步骤S24、采用图像重构技术，对所述第三金字塔进行重构，得到所述处理后的积水图像。
通过步骤S21、步骤S22、步骤S23和步骤S24，将第一金字塔作为金字塔降噪强度的参考，对不同层的噪声进行抑制，使得在利用高斯-拉普拉斯金字塔分解方法对细节进行增强时，还可以对噪声进行抑制，从而提高了积水图像的信噪比，提高了积水图像的显示效果；
在利用所述处理后的积水图像构建积水程度识别模型时，考虑到有些积水点的积水视频并不易采集，导致制成的处理后的积水图像较少，在训练样本较少的情况下，可能会出现最终训练出的积水程度识别模型精准度较差的问题，因此本实施例在所述处理后的积水图像的基础上，采用步骤S3的方法得到训练好的循环生成对抗网络模型，再利用训练好的循环生成对抗网络模型生成更多的训练样本，通过此种方法可以来提高模型识别的准确性；
步骤S3、利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；在本步骤，具体的实施步骤可以包括步骤S31、步骤S32和步骤S33；
步骤S31、对所述处理后的积水图像进行标注，标注后构建第二样本集，所述第二样本集中的每个样本包括每张所述处理后的积水图像以及每张所述处理后的积水图像对应的积水程度标注类别；
在本步骤中，每张所述处理后的积水图像对应的积水程度标注类别可以由人工进行标注，可以根据积水量标注为一级积水、二级积水、三级积水、四级积水、五级积水等，不同的积水等级也相应的对应有不同的排水方案；
步骤S32、基于所述第二样本集计算循环生成对抗网络模型的目标损失；在本步骤，具体的实施步骤可以包括步骤S321、步骤S322和步骤S323；
步骤S321、利用所述循环生成对抗网络模型中包括的第一生成器对每个所述样本进行处理，得到第一处理结果，所述第一处理结果包括每个所述样本中每张所述处理后的积水图像对应的第一新图像和所述第一新图像对应的积水程度标注类别，将所述第一处理结果输入所述循环生成对抗网络中包括的第二生成器中，得到第二处理结果，所述第二处理结果包括每张所述处理后的积水图像对应的第二新图像；
本步骤可以理解中，循环生成对抗网络模型中包括两个生成器，首先，先将每个样本输入第一个生成器中，第一个生成器就根据此样本生成一个新图像，也就是第一新图像以及这个图像对应的积水程度标注类别；然后再将第一生成器生成的新图像以及这个新图像对应的积水程度标注类别输入第二个生成器中，第二个生成器也会输出一个新图像，也就是第二新图像；同时，通过本步骤中的方法，可以在第二样本集和循环生成对抗网络模型的基础上生成多个第一新图像，提高了数据的多样性；第一新图像的具体计算公式为：
XK,＝M(XK,K,)
公式中，XK,用于表示第一新图像，XK表示处理后的积水图像，K,用于表示第一新图像对应的积水程度标注类别，M(,)用于表示第一生成器的图像生成操作；
第二新图像的具体计算公式为：
Xj’＝H(M(XK,K,),K)
公式中，Xj’用于表示第二新图像，K用于表示处理后的积水图像对应的积水程度标注类别，H(,)用于表示第二生成器的图像生成操作；
步骤S322、计算每张所述处理后的积水图像与其对应的所述第一新图像之间的分布距离；
在本步骤中，可采用常规的计算方法计算每张所述处理后的积水图像与其对应的所述第一新图像之间的分布距离，此分布距离是用于表示处理后的积水图像的分布和其对应的第一新图像的分布之间的差异；
步骤S323、根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失。在本步骤，具体的实施步骤可以包括步骤S331、步骤S332和步骤S333；
步骤S331、将每张所述处理后的积水图像和其对应的所述第二新图像进行第一范式计算，得到第一损失；
根据前面的步骤可知，第一新图像是基于第二样本集通过风格迁移生成的，可以得到具有多样性的第一新图像。在本步骤中，为了保证第一新图像与其对应的处理后的积水图像的语义信息的准确性，根据每张处理后的积水图像和其对应的第二新图像进行第一范式计算，得到第一损失Lcycle；具体的计算公式为：
Lcycle＝∥H(M(XK,K,),K)-XK∥1
公式中，Lcycle表示第一损失，XK,用于表示第一新图像，XK表示处理后的积水图像，K,用于表示第一新图像对应的积水程度标注类别，M(,)用于表示第一生成器的图像生成操作,K用于表示处理后的积水图像对应的积水程度标注类别，H(,)用于表示第二生成器的图像生成操作；∥∥1用于表示进行第一范式计算；
步骤S332、计算每张所述处理后的积水图像对应的积水程度标注类别与其对应的所述第一新图像的积水程度标注类别之间的交叉熵，将计算的结果作为第二损失，将所述分布距离的负值作为第三损失；
在本步骤中，计算每张处理后的积水图像对应的积水程度标注类别与其对应的第一新图像的积水程度标注类别之间的差异，以保证生成的第一新图像与其对应的处理后的积水图像属于同一类别的图像，从而可以通过风格迁移的方法扩充数据集的同时，增强数据集的多样性，并且可以自动标注第一新图像的积水程度标注类别，以进一步保证处理后的积水图像与其对应的第一新图像的语义一致性，除了本步骤中提及的交叉熵的计算方法之外，还可以采用其他常规的方法计算每张处理后的积水图像对应的积水程度标注类别与其对应的第一新图像的积水程度标注类别之间的差异；
在本步骤中还计算了第三损失，从而可以使得循环生成对抗网络模型可以在生成多样化的第一新图像的同时，保证该第一新图像与其对应的处理后的积水图像之间的语义一致性，进而保证第一新图像的可靠性；
步骤S333、分别为所述第一损失、所述第二损失和所述第三损失赋予权重，将所述第一损失、所述第二损失和所述第三损失的加权和作为所述目标损失。
通过第一损失、第二损失和第三损失这三个损失可以使得循环生成对抗网络模型可以在生成多样化的第一新图像的同时，保证该第一新图像与其对应的处理后的积水图像之间的语义一致性，也就是使第一新图像与其对应的处理后的积水图像的积水程度标注类别一致，通过此种方法可以自动生成第一新图像的积水程度标注类别，就无需再对第一新图像进行标注；
除了上述生成目标损失的方法，还可以在第一损失、第二损失和第三损失中选择至少一个损失作为目标损失；
步骤S33、基于所述目标损失对所述循环生成对抗网络模型的参数进行调整，直到所述目标损失小于或等于预设的损失阈值，完成所述循环生成对抗网络模型的训练。
在本步骤中，在进行训练时，可以设置损失阈值，当目标损失大于预设的损失阈值，表示目前模型的准确性不足，即可继续进行训练，当目标损失小于或等于预设的损失阈值时，则可停止训练；
通过上述技术方案，则可以完成循环生成对抗网络模型的训练，然后再利用训练后的循环生成对抗网络模型和处理后的积水图像生成更多的积水图像，从而可以基于有限的处理后的积水图像获得更多用于训练积水程度识别模型的积水图像，可以减少进行积水程度识别模型训练耗费的人力和时间，也能够进一步提高积水程度识别模型的检测准确性和鲁棒性，保证积水程度识别的准确性；
步骤S4、利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；在本步骤，具体的实施步骤可以包括步骤S41、步骤S42、步骤S43和步骤S44；
步骤S41、将所述处理后的积水图像输入所述训练好的循环生成对抗网络模型中，得到生成样本，将所述生成样本和所有的处理后的积水图像构建成第一样本集；
在本步骤中，将处理后的积水图像输入训练好的循环生成对抗网络模型即可得到生成样本，生成样本为新的且已标注的积水图像，然后将所有的生成样本和标注后的处理后的积水图像组成第一样本集；
步骤S42、在MobileNetv2模型中加入通道注意力机制和空间注意力机制，得到第一模型；
为了提高MobileNetv2模型的识别的准确性，在MobileNetv2模型中加入通道注意力机制和空间注意力机制；除了步骤S42的方法之外，还可以在MobileNetv2模型的每个阶段的模块间引入残差结构；也可以直接使用MobileNetv2模型；
步骤S43、将所述第一样本集输入到所述第一模型中进行正向传播计算损失函数，并通过损失函数来进行反向传播更新所述第一模型中的各种参数，直到损失函数收敛，得到所述积水程度识别模型。
当得到积水程度识别模型之后，则可以利用积水程度识别模型进行识别，具体的步骤为步骤S5；
步骤S5、利用所述积水程度识别模型对实时积水图像进行处理，得到实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
在本步骤中，可以理解为若实时积水图像对应的实时积水程度类别为一级积水，则采用一级排水方案；通过此种方法可以及时的对积水点的积水状态进行监测，并且可以准确的给出排水方案；
因此，通过本发明中的方法可以实现对积水点的及时精准的监测，且可以积极的给出准确的排水方案，此外，通过此种智能的处理方法还可以减少大量的人力成本。
实施例2
如图2所示，本实施例提供了应用于城市内涝的应急排水系统，所述系统包括获取模块701、增强模块702、第一训练模块703、第二训练模块704和启动模块705。
获取模块701，用于获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
增强模块702，用于采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
第一训练模块703，用于利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；
第二训练模块704，用于利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；
启动模块705，用于利用所述积水程度识别模型对所述实时积水图像进行处理，得到所述实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
在本公开的一种具体实施方式中，所述增强模块702，还包括分解单元7021、第一计算单元7022、第二计算单元7023和重构单元7024。
分解单元7021，用于利用高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行分解，得到具有三层高斯子图像的高斯金字塔和具有三拉普拉斯子图像的拉普拉斯金字塔；
第一计算单元7022，用于计算所述高斯金字塔中每层所述高斯子图像对应的邻域标准差，将每层对应的邻域标准差进行组合得到第一金字塔，对所述第一金字塔进行归一化处理，得到第二金字塔，所述第二金字塔具有三层；
第二计算单元7023，用于将所述第二金字塔的第一层与所述拉普拉斯金字塔第一层相乘，将所述第二金字塔的第二层与所述拉普拉斯金字塔第二层相乘，将所述第二金字塔的第三层与所述拉普拉斯金字塔第三层相乘，每层均相乘后得到第三金字塔；
重构单元7024，用于采用图像重构技术，对所述第三金字塔进行重构，得到所述处理后的积水图像。
在本公开的一种具体实施方式中，所述第一训练模块703，还包括构建单元7031、第三计算单元7032和第一训练单元7033。
构建单元7031，用于对所述处理后的积水图像进行标注，标注后构建第二样本集，所述第二样本集中的每个样本包括每张所述处理后的积水图像以及每张所述处理后的积水图像对应的积水程度标注类别；
第三计算单元7032，用于基于所述第二样本集计算循环生成对抗网络模型的目标损失；
第一训练单元7033，用于基于所述目标损失对所述循环生成对抗网络模型的参数进行调整，直到所述目标损失小于或等于预设的损失阈值，完成所述循环生成对抗网络模型的训练。
在本公开的一种具体实施方式中，所述第三计算单元7032，还包括处理单元70321、第四计算单元70322和第五计算单元70323。
处理单元70321，用于利用所述循环生成对抗网络模型中包括的第一生成器对每个所述样本进行处理，得到第一处理结果，所述第一处理结果包括每个所述样本中每张所述处理后的积水图像对应的第一新图像和所述第一新图像对应的积水程度标注类别，将所述第一处理结果输入所述循环生成对抗网络中包括的第二生成器中，得到第二处理结果，所述第二处理结果包括每张所述处理后的积水图像对应的第二新图像；
第四计算单元70322，用于计算每张所述处理后的积水图像与其对应的所述第一新图像之间的分布距离；
第五计算单元70323，用于根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失。
在本公开的一种具体实施方式中，所述第五计算单元70323，还包括第一计算子单元703231、第二计算子单元703232和第三计算子单元703233。
第一计算子单元703231，用于将每张所述处理后的积水图像和其对应的所述第二新图像进行第一范式计算，得到第一损失；
第二计算子单元703232，用于计算每张所述处理后的积水图像对应的积水程度标注类别与其对应的所述第一新图像的积水程度标注类别之间的交叉熵，将计算的结果作为第二损失，将所述分布距离的负值作为第三损失；
第三计算子单元703233，用于分别为所述第一损失、所述第二损失和所述第三损失赋予权重，将所述第一损失、所述第二损失和所述第三损失的加权和作为所述目标损失。
在本公开的一种具体实施方式中，所述第二训练模块704，还包括输入单元7041、添加单元7042和第二训练单元7043。
输入单元7041，用于将所述处理后的积水图像输入所述训练好的循环生成对抗网络模型中，得到生成样本，将所述生成样本和所有的处理后的积水图像构建成第一样本集；
添加单元7042，用于在MobileNetv2模型中加入通道注意力机制和空间注意力机制，得到第一模型；
第二训练单元7043，用于将所述第一样本集输入到所述第一模型中进行正向传播计算损失函数，并通过损失函数来进行反向传播更新所述第一模型中的各种参数，直到损失函数收敛，得到所述积水程度识别模型。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了应用于城市内涝的应急排水设备，下文描述的应用于城市内涝的应急排水设备与上文描述的应用于城市内涝的应急排水方法可相互对应参照。
图3是根据一示例性实施例示出的应用于城市内涝的应急排水设备800的框图。如图3所示，该应用于城市内涝的应急排水设备800可以包括：处理器801，存储器802。该应用于城市内涝的应急排水设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该应用于城市内涝的应急排水设备800的整体操作，以完成上述的应用于城市内涝的应急排水方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该应用于城市内涝的应急排水设备800的操作，这些数据例如可以包括用于在该应用于城市内涝的应急排水设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该应用于城市内涝的应急排水设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该应用于城市内涝的应急排水设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的应用于城市内涝的应急排水方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的应用于城市内涝的应急排水方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该应用于城市内涝的应急排水设备800的处理器801执行以完成上述的应用于城市内涝的应急排水方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的应用于城市内涝的应急排水方法可相互对应参照。
一种可读存储介质，可读存储介质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实施例的应用于城市内涝的应急排水方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.应用于城市内涝的应急排水方法，其特征在于，包括：
获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；
利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型，包括：
对所述处理后的积水图像进行标注，标注后构建第二样本集，所述第二样本集中的每个样本包括每张所述处理后的积水图像以及每张所述处理后的积水图像对应的积水程度标注类别；
基于所述第二样本集计算循环生成对抗网络模型的目标损失；
基于所述目标损失对所述循环生成对抗网络模型的参数进行调整，直到所述目标损失小于或等于预设的损失阈值，完成所述循环生成对抗网络模型的训练；
基于所述第二样本集计算循环生成对抗网络模型的目标损失，包括：
利用所述循环生成对抗网络模型中包括的第一生成器对每个所述样本进行处理，得到第一处理结果，所述第一处理结果包括每个所述样本中每张所述处理后的积水图像对应的第一新图像和所述第一新图像对应的积水程度标注类别，将所述第一处理结果输入所述循环生成对抗网络中包括的第二生成器中，得到第二处理结果，所述第二处理结果包括每张所述处理后的积水图像对应的第二新图像；
计算每张所述处理后的积水图像与其对应的所述第一新图像之间的分布距离；
根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失；
根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失包括：将每张所述处理后的积水图像和其对应的所述第二新图像进行第一范式计算，得到第一损失；计算每张所述处理后的积水图像对应的积水程度标注类别与其对应的所述第一新图像的积水程度标注类别之间的交叉熵，将计算的结果作为第二损失，将所述分布距离的负值作为第三损失；分别为所述第一损失、所述第二损失和所述第三损失赋予权重，将所述第一损失、所述第二损失和所述第三损失的加权和作为所述目标损失；
利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；
利用所述积水程度识别模型对所述实时积水图像进行处理，得到所述实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
2.根据权利要求1所述的应用于城市内涝的应急排水方法，其特征在于，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像，包括：
利用高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行分解，得到具有三层高斯子图像的高斯金字塔和具有三拉普拉斯子图像的拉普拉斯金字塔；
计算所述高斯金字塔中每层所述高斯子图像对应的邻域标准差，将每层对应的邻域标准差进行组合得到第一金字塔，对所述第一金字塔进行归一化处理，得到第二金字塔，所述第二金字塔具有三层；
将所述第二金字塔的第一层与所述拉普拉斯金字塔第一层相乘，将所述第二金字塔的第二层与所述拉普拉斯金字塔第二层相乘，将所述第二金字塔的第三层与所述拉普拉斯金字塔第三层相乘，每层均相乘后得到第三金字塔；
采用图像重构技术，对所述第三金字塔进行重构，得到所述处理后的积水图像。
3.应用于城市内涝的应急排水系统，其特征在于，包括：
获取模块，用于获取第一数据和第二数据，所述第一数据包括易积水点的历史积水视频，所述第二数据为所述易积水点的实时积水图像；
增强模块，用于采用逐帧读取技术将所述历史积水视频制成多张积水图像，基于高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行增强处理，得到处理后的积水图像；
第一训练模块，用于利用所述处理后的积水图像对循环生成对抗网络模型进行训练，得到训练好的循环生成对抗网络模型；
第一训练模块，包括：
构建单元，用于对所述处理后的积水图像进行标注，标注后构建第二样本集，所述第二样本集中的每个样本包括每张所述处理后的积水图像以及每张所述处理后的积水图像对应的积水程度标注类别；
第三计算单元，用于基于所述第二样本集计算循环生成对抗网络模型的目标损失；
第一训练单元，用于基于所述目标损失对所述循环生成对抗网络模型的参数进行调整，直到所述目标损失小于或等于预设的损失阈值，完成所述循环生成对抗网络模型的训练；
第三计算单元，包括：
处理单元，用于利用所述循环生成对抗网络模型中包括的第一生成器对每个所述样本进行处理，得到第一处理结果，所述第一处理结果包括每个所述样本中每张所述处理后的积水图像对应的第一新图像和所述第一新图像对应的积水程度标注类别，将所述第一处理结果输入所述循环生成对抗网络中包括的第二生成器中，得到第二处理结果，所述第二处理结果包括每张所述处理后的积水图像对应的第二新图像；
第四计算单元，用于计算每张所述处理后的积水图像与其对应的所述第一新图像之间的分布距离；
第五计算单元，用于根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失；
根据所述第二样本集、所述第一处理结果、所述第二处理结果和所述分布距离，确定所述循环生成对抗网络模型的目标损失包括：将每张所述处理后的积水图像和其对应的所述第二新图像进行第一范式计算，得到第一损失；计算每张所述处理后的积水图像对应的积水程度标注类别与其对应的所述第一新图像的积水程度标注类别之间的交叉熵，将计算的结果作为第二损失，将所述分布距离的负值作为第三损失；分别为所述第一损失、所述第二损失和所述第三损失赋予权重，将所述第一损失、所述第二损失和所述第三损失的加权和作为所述目标损失；
第二训练模块，用于利用所述处理后的积水图像和所述训练好的循环生成对抗网络模型构建第一样本集，基于所述第一样本集对MobileNetv2模型进行训练，得到积水程度识别模型；
启动模块，用于利用所述积水程度识别模型对所述实时积水图像进行处理，得到所述实时积水图像对应的实时积水程度类别，根据所述实时积水程度类别启动对应的排水方案。
4.根据权利要求3所述的应用于城市内涝的应急排水系统，其特征在于，增强模块，包括：
分解单元，用于利用高斯-拉普拉斯金字塔分解方法对每一张所述积水图像进行分解，得到具有三层高斯子图像的高斯金字塔和具有三拉普拉斯子图像的拉普拉斯金字塔；
第一计算单元，用于计算所述高斯金字塔中每层所述高斯子图像对应的邻域标准差，将每层对应的邻域标准差进行组合得到第一金字塔，对所述第一金字塔进行归一化处理，得到第二金字塔，所述第二金字塔具有三层；
第二计算单元，用于将所述第二金字塔的第一层与所述拉普拉斯金字塔第一层相乘，将所述第二金字塔的第二层与所述拉普拉斯金字塔第二层相乘，将所述第二金字塔的第三层与所述拉普拉斯金字塔第三层相乘，每层均相乘后得到第三金字塔；
重构单元，用于采用图像重构技术，对所述第三金字塔进行重构，得到所述处理后的积水图像。
5.应用于城市内涝的应急排水设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述应用于城市内涝的应急排水方法的步骤。
6.一种可读存储介质，其特征在于：所述可读存储介质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如权利要求1至2任一项所述应用于城市内涝的应急排水方法的步骤。
CN202210785015.8A 2022-07-05 2022-07-05 应用于城市内涝的应急排水方法和系统 Active CN115205738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210785015.8A CN115205738B (zh) 2022-07-05 2022-07-05 应用于城市内涝的应急排水方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210785015.8A CN115205738B (zh) 2022-07-05 2022-07-05 应用于城市内涝的应急排水方法和系统

Publications (2)

Publication Number Publication Date
CN115205738A CN115205738A (zh) 2022-10-18
CN115205738B true CN115205738B (zh) 2023-08-01

Family

ID=83578007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210785015.8A Active CN115205738B (zh) 2022-07-05 2022-07-05 应用于城市内涝的应急排水方法和系统

Country Status (1)

Country Link
CN (1) CN115205738B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152746B (zh) * 2023-04-04 2023-06-30 山东工程职业技术大学 一种设备节能控制方法、装置、设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5647036A (en) * 1994-09-09 1997-07-08 Deacon Research Projection display with electrically-controlled waveguide routing
CN111144563A (zh) * 2019-12-24 2020-05-12 合肥黎曼信息科技有限公司 一种基于对偶距离损失的生成对抗网络训练方法
CN111161191A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种图像增强方法
CN112800876A (zh) * 2021-01-14 2021-05-14 北京交通大学 一种用于重识别的超球面特征嵌入方法及系统
CN113706547A (zh) * 2021-08-27 2021-11-26 北京航空航天大学 一种基于类别同异性引导的无监督域适应语义分割方法
CN114529737A (zh) * 2022-02-21 2022-05-24 安徽大学 一种基于gan网络的光学赤足迹图像轮廓提取方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140352353A1 (en) * 2013-05-28 2014-12-04 Robert S. Wissolik Natural Gas Liquefaction System for Producing LNG and Merchant Gas Products
US20170138752A1 (en) * 2015-06-19 2017-05-18 Yakov Z. Mermelstein Method and System for Providing Personalized Navigation Services and Crowd-Sourced Location-Based Data
CN107292845B (zh) * 2017-06-26 2020-04-17 安健科技(重庆)有限公司 基于标准差金字塔的动态图像降噪方法及装置
CN109816040B (zh) * 2019-02-01 2022-10-14 四创科技有限公司 基于深度学习的城市内涝水深检测的方法
CN110675415B (zh) * 2019-12-05 2020-05-15 北京同方软件有限公司 一种基于深度学习增强实例分割的道路积水区域检测方法
CN111144254A (zh) * 2019-12-18 2020-05-12 江河瑞通（北京）技术有限公司 城市内涝积水程度识别方法及装置
CN111476737B (zh) * 2020-04-15 2022-02-11 腾讯科技（深圳）有限公司 一种图像处理方法、智能设备及计算机可读存储介质
CN113962996B (zh) * 2021-12-22 2022-04-05 迈赫机器人自动化股份有限公司 用于雨天积水路面的积水智能化检测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5647036A (en) * 1994-09-09 1997-07-08 Deacon Research Projection display with electrically-controlled waveguide routing
CN111144563A (zh) * 2019-12-24 2020-05-12 合肥黎曼信息科技有限公司 一种基于对偶距离损失的生成对抗网络训练方法
CN111161191A (zh) * 2019-12-31 2020-05-15 华南理工大学 一种图像增强方法
CN112800876A (zh) * 2021-01-14 2021-05-14 北京交通大学 一种用于重识别的超球面特征嵌入方法及系统
CN113706547A (zh) * 2021-08-27 2021-11-26 北京航空航天大学 一种基于类别同异性引导的无监督域适应语义分割方法
CN114529737A (zh) * 2022-02-21 2022-05-24 安徽大学 一种基于gan网络的光学赤足迹图像轮廓提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Wasserstein GAN;Arjovsky M et al;arXiv.1701.07875;第1-32页 *

Also Published As

Publication number Publication date
CN115205738A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN101268690B (zh) 用于运动对象边界的适应性影响区域滤波器
CN111784673B (zh) 缺陷检测模型训练和缺陷检测方法、设备及存储介质
KR102631539B1 (ko) 딥러닝 기반 강수 예측 방법, 그리고 이를 구현하기 위한 장치
Saxena et al. D-GAN: Deep generative adversarial nets for spatio-temporal prediction
CN115205738B (zh) 应用于城市内涝的应急排水方法和系统
CN110300370B (zh) 一种重建wifi指纹地图室内定位方法
CN112669342B (zh) 图像分割网络的训练方法及装置、图像分割方法及装置
CN112785542B (zh) 遥感影像转换网络地图方法、装置、计算机设备和介质
Jewell et al. One-class learned encoder-decoder network with adversarial context masking for novelty detection
CN111951281A (zh) 图像分割方法、装置、设备及存储介质
Zhang et al. Pqa-cnn: Towards perceptual quality assured single-image super-resolution in remote sensing
CN116563399A (zh) 一种基于扩散模型和生成对抗网络的图像生成方法
CN115375617A (zh) 一种缺陷检测、训练方法、装置、存储介质及设备
CN110796003B (zh) 车道线检测方法、装置及电子设备
CN117056728A (zh) 一种时间序列生成方法、装置、设备和存储介质
CN113920208A (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN116403142A (zh) 视频处理方法、装置、电子设备及介质
CN115082624A (zh) 一种人体模型构建方法、装置、电子设备及存储介质
CN114663936A (zh) 一种基于不确定性感知层次监督的人脸伪造检测方法
Ling et al. SRNDiff: Short-term Rainfall Nowcasting with Condition Diffusion Model
CN113034368A (zh) 图像超分辨率模型训练方法、装置、计算机设备和介质
Li et al. Semantic prior-driven fused contextual transformation network for image inpainting
JP2009133645A (ja) 情報提供システム、情報提供方法、及び、情報提供プログラム
Basri et al. Renewable energy use, real GDP, and human development index in Bangladesh: Evidence from simultaneous equation model
CN113569155B (zh) 一种基于改进循环神经网络算法的推荐召回方法及系统

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