CN111047088A - 预测图像获取方法、装置、计算机设备和存储介质 - Google Patents
预测图像获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111047088A CN111047088A CN201911251459.8A CN201911251459A CN111047088A CN 111047088 A CN111047088 A CN 111047088A CN 201911251459 A CN201911251459 A CN 201911251459A CN 111047088 A CN111047088 A CN 111047088A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- images
- dynamic
- training
- 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
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种预测图像获取方法、装置、计算机设备和存储介质。该方法包括:获取多个历史时刻的初始图像;采用预设的动态信息提取网络,对初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;动态信息提取网络为多层卷积递归神经网络,动态信息提取网络包括多个长短期记忆单元;将多个动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,内容提取网络为卷积神经网络;将多个动态图像和内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,预测网络包括对抗生成网络GAN。采用本方法能够获取更为准确的预测图像,进而实现对天气的精准预测。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种预测图像获取方法、装置、计算机设备和存储介质。
背景技术
为了对雷暴等灾害性天气进行准确的预报,以保证人们的生产和生活,人们采用对流天气未来几小时的对流临近预报。
采用雷达基于雷达资料的风暴体识别、追踪与预警方法的主要过程包括:通过天气雷达资料探测已经生成的风暴体,提取风暴体的统计和形态特征,然后使用追踪方法从连续的雷达图像序列中提取出这些风暴体,最后外推预报雷暴体的演变和运动。对流临近预报主要是以自动外推技术为基础的专家***,这些方法大致可以分为三大类:持续性预报法、交叉相关法和单体质心法。
传统的方法对较小的单体或者在短距离内存在多个对流单体,他们的识别度较差,无法抓取各个单体的移动特征,所以得到的预测图像不准确,导致预测的结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测准取行的预测图像获取方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种预测图像获取方法,所述方法包括:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括GAN。
在其中一个实施例中,所述获取多个历史时刻的初始图像,包括:
获取多个历史时刻的原始图像;其中,所述原始图像为雷达拍摄所得到的气象图像;
对多个所述原始图像进行归一化处理,得到归一化原始图像;
对所述归一化原始图像进行填充处理,得到所述初始图像。
在其中一个实施例中,所述预测网络包括融合子网络和识别子网络,所述将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像,包括:
采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像;
采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
在其中一个实施例中,所述识别子网络的训练包括:对鉴别器和对生成器的交替训练。
在其中一个实施例中,所述鉴别器包括真实性鉴别器和连续性鉴别器,所述鉴别器的训练过程包括:
将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像;
将所述卷积结果和每个所述训练图像对应的真实图像,输入所述真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度;
采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练;
将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度;
采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
在其中一个实施例中,所述生成器的训练过程包括:
将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像;
将所述卷积结果的真实标签设置为真,得到更新卷积结果;
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失;
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度;
采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
在其中一个实施例中,所述将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度之前,还包括:
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。
第二方面,本申请实施例提供一种预测图像获取装置,所述装置包括:
获取模块,用于获取多个历史时刻的初始图像;
动态提取模块,用于采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
内容提取模块,用于将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
预测模块,用于将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
第四方面,本申请实施例提供一种计算机可读存储介质,其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以下步骤:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
上述预测图像获取方法、装置、计算机设备和存储介质,计算机设备通过获取多个历史时刻的初始图像,并采用预设的动态信息提取网络,对初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像,其中,由于动态信息提取网络为多层卷积递归神经网络,且动态信息提取网络包括多个长短期记忆单元,因此所提取得到的动态图像能够更加准确的表征连续的动态信息,即表征对象的运动趋势。同时,计算机设备将多个动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像,然后将多个动态图像和内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像,其中,由于预测网络包括GAN网络,相比采用传统的卷积递归神经网络,能够更好地处理图像中的亮点,进一步提高预测图像的质量,从而使得雷达回波预测更为精确。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例提供的预测图像获取方法的流程示意图;
图3为另一个实施例提供的预测图像获取方法的流程示意图;
图4为又一个实施例提供的预测图像获取方法的流程示意图;
图4a为一个实施例提供的预测图像获取方法实现的流程图;
图4b为一个实施例提供的长短期记忆单元的结构示意图;
图5为一个实施例提供的鉴别器的训练流程示意图;
图6为一个实施例提供的生成器的训练流程示意图;
图6a为一个实施例提供的识别子网络的训练示意图;
图7为一个实施例提供的预测图像获取装置的结构示意图。
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。
本申请实施例提供的预测图像获取方法,可以适用于图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。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***、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***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下述实施例中的预测网络,有关预测网络的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1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。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是预测图像获取装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的预测图像获取方法的流程示意图。本实施例涉及的是计算设备自动获取预测图像的具体过程。如图2所示,该方法包括:
S10、获取多个历史时刻的初始图像。
具体的,计算机设备获取雷达拍摄的多个初始图像,这多个初始图像表征连续时刻的气象图像,可以是计算机设备读取存储器存储的初始图像,也可以是计算机设备接收其他设备发送的初始图像,还可以是将雷达拍摄的连续历史时刻的气象图像进行预处理得到的,可选地,该预处理可以包括归一化处理,筛选处理或者插值处理,对此本实施例不做限定。
S20、采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元。
具体的,计算机设备将上述多个初始图像输入预设的动态信息提取网络,该动态信息提取网络能够对这多个初始图像分别进行识别,从而预测得到未来连续时刻的动态图像,这多个动态图像能够表征未来连续时刻的气象状态。需要说明的是,该动态信息提取网络包括多个长短期记忆单元,为多层卷积递归神经网络,通过多个长短期记忆单元分别对输入的每个初始图像进行特征提取,从而基于所提取到的特征,估算得到未来时刻的动态图像,这些连续时刻的多个动态图像能够表征气象变化的趋势,例如云层的走向等。
S30、将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络。
具体的,计算机设备将上述多个动态图像中最晚时刻的动态图像作为目标动态图像,输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络。该内容图像能够表征上述目标动态图像的静态特征,例如识别图片中的对象的类型,例如对象为云层。
S40、将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络(Generative Adversarial Net,简称GAN)。
具体的,计算机设备将动态图像和所述内容图像输入预设的预测网络,该预测网络将动态图像和所述内容图像进行融合,并对融合的结果进行特征提取,从而得到表征未来连续时刻的气象状态的多个预测图像。需要说明的是,上述预测网络将内容图像分别和每个动态图像进行融合,可以是将两个图像对应位置的向量进行运算,例如相乘或者求和,或者是不同的图像乘以对应的权重再叠加等方式,从而得到融合了内容特征和动态特征的预测图像。
本实施例中,计算机设备通过获取多个历史时刻的初始图像,并采用预设的动态信息提取网络,对初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像,其中,由于动态信息提取网络为多层卷积递归神经网络,且动态信息提取网络包括多个长短期记忆单元,因此所提取得到的动态图像能够更加准确的表征连续的动态信息,即表征对象的运动趋势。同时,计算机设备将多个动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像,然后将多个动态图像和内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像,其中,由于预测网络包括GAN网络,相比采用传统的卷积递归神经网络,能够更好地处理图像中的亮点,进一步提高预测图像的质量,从而使得雷达回波预测更为精确。
可选地,在上述实施例的基础上,步骤S10的一种可能的实现方式可以如图3所示,包括:
S11、获取多个历史时刻的原始图像;其中,所述原始图像为雷达拍摄所得到的气象图像。
S12、对多个所述原始图像进行归一化处理,得到归一化原始图像。
S13、对所述归一化原始图像进行填充处理,得到所述初始图像。
具体的,计算机设备获取多个历史时刻的原始图像,这些原始图像为雷达拍摄所得到的连续时刻的气象图像。然后,计算机设备对多个原始图像进行归一化处理,例如相同尺寸的剪裁,或者将部分或全部的原始图像进行升采样或降采样从而保持相同像素大小,得到归一化原始图像。计算机设备对归一化原始图像进行填补,例如采用插值的方式进行补充,从得到多个初始图像。例如计算机设备获取预测时刻t前的t-10~t-1时刻的十张图片,对这十张图片进行归一化处理,例如统一进行剪裁,得到大小统一为128×128的十张归一化原始图像St-10~St-1,然后将这十张归一化原始图像按照预设的预测时长t,进行处理,得到表征所有历史时刻的气象状态的初始图像S1~St-1,基于更多的历史时刻的初始图像,能够充分学习t时刻之前的气象状态,进而使得所得到的预测图像为合理和准确。
本实施例中,通过计算机设备对多个历史时刻的原始图像进行归一化处理,得到归一化原始图像,从而便于数据后续处理,并按照预设的预测时长处理所述归一化原始图像,得到所述初始图像,能够基于需要预测的时长确定出对应数量的初始图像,进而时候后续生成的预测图像和需要预测的时长匹配,进一步满足可预测要求,使得预测结果更加准确。
可选地,在上述实施例的基础上,所述预测网络包括融合子网络和识别子网络,步骤S40的一种可能的实现方式还可以如图4所示,包括:
S41、采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像。
S42、采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
具体的,计算机设备采用融合子网络将上述每个动态图像分别和内容图像进行融合,得到与每个动态图像一一对应的融合图像。由于融合子网络为基于图像的像素进行融合的网络,因此计算机设备可以基于之后,计算机设备将上述多个融合图像输入识别子网络,可选地,该识别子网络为基于深度学习算法的神经网络模型,通过该识别子网络对每个融合图像进行识别,得到每个融合图像对应的序列,并将每个融合图像的序列进行整理和可视化处理,从而输出每个融合图像对应的预测图像。本实施例中,计算机设备采用融合子网络将每个动态图像分别和内容图像进行融合,得到多个与动态图像一一对应的融合图像,采用识别子网络对多个融合图像分别进行特征提取,得到每个融合图像对应的预测图像。由于识别子网络包括GAN网络,该GAN网络是基于深度学习的网络,其具有强大的信息组合能力,因此在图像处理过程中,避免了采用传统的卷积递归神经网络引起的信息加速丢失以及增加计算资源消耗的问题,在节约计算效率的同时实现对图像中的亮点进行更为合理的处理,提高了预测图像的精确度。
可选地,本申请实施例所提供的预测图像获取方法的实现流程示意图可以参见如图4a所示,输入初始图像S1~St-1,输出预测图像ft~ft+n。其中,n为需要得到的预测时长的时刻点数,能够表征需要预测的时长,n越大表征预测的时间越长,但是相应的预测图像准确度下降,n越小表征预测的时长越短,预测图像的准确度越高。图4b为一个实施例提供的长短期记忆单元的结构示意图。
可选地,上述识别子网络可以包括鉴别器和生成器,该识别子网络的训练可以包括对鉴别器和对生成器的交替训练。针对该识别子网络每输入一次训练图像,则通过对该训练图像的输出分别调整鉴别器和生成器,通过多次训练,实现鉴别器和对生成器的交替训练,进而使得鉴别器网路和生成器网络结合训练,使得该识别子网络更为精准,能够提高预测图像的准确性。
图5为一个实施例提供的鉴别器的训练流程示意图。所述鉴别器包括真实性鉴别器和连续性鉴别器,如图5所示,包括:
S51、将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像。
S52、将所述卷积结果和每个所述训练图像对应的真实图像,输入真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度。
S53、采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练。
具体的,计算机设备可以获取训练图像,每个训练图像对应一个真实图像,可选地该真实图像作为真实值,可以以标签地形式附加在每个训练图像上,训练图像应该包含不同真实值的图像,用于对生成器或者鉴别器输出结果进行比对。计算机设备将训练图像输入生成器,该生成器输出卷积结果,然后计算机设备将卷积结果和这个训练图像对应的真实图像同时输入真实性鉴别器,通过真实性鉴别器输出表征真实鉴别结果的交叉商损失值,根据交叉商损失值求解梯度得到真实梯度,采用反向传播技术,根据每次输出的真实梯度对真实性鉴别器进行训练,从而完成真实性鉴别器的训练。
S54、将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度。
S55、采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
具体的,计算机设备将卷积结果和这个训练图像对应的真实图像同时输入连续性鉴别器,通过连续性鉴别器输出的表征连续性鉴别结果的交叉商损失值,根据这个交叉商损失值求解梯度得到连续梯度,采用反向传播技术,根据每次输出的连续梯度对连续性鉴别器进行训练,从而完成连续性鉴别器的训练。
本实施例中,计算机设备通过分别对将训练图像输入生成器,得到卷积结果,并将卷积结果和每个训练图像对应的真实图像,输入真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度,最后采用反向传播技术,根据真实梯度对真实性鉴别器进行训练,得到训练好的真实性鉴别器从而使得真实性鉴别器更为精准,因此对于图像的真实性鉴别结果也更准确。同时,计算机设备将卷积结果和每个训练图像对应的真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度,最后采用反向传播技术,根据连续梯度对连续性鉴别器进行训练,得到训练好的连续性鉴别,器从而使得连续性鉴别器更为精准,因此对于图像的连续性鉴别结果也更准确。
图6一个实施例提供的生成器的训练流程示意图。如图6所示,生成器的训练流程包括:
S61、将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像。
本步骤的详细描述可以参见步骤S51的描述,此处不再赘述。
S62、将所述卷积结果的真实标签设置为真,得到更新卷积结果。
S63、计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失。
可选地,计算机设备还能够将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;将述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。从而分别得到真实性鉴别器和连续性鉴别器对训练图像鉴别的结果的准确性表征,便于后续进行计算。
S64、将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度。
S65、采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
具体的,计算机设备将上述卷积结果的真实标签设置为真,从而得到新的序列作为更新卷积结果。然后计算机设备将更新卷积结果和每个对应的训练图像的真实结果计算均方值误差,从而得到图片损失。计算机设备将上述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加,例如直接相加或者按照对应的权重进行相加,之后计算梯度,从而得到综合梯度,并采用反向传播技术,根据综合梯度对生成器进行训练,使得生成器更为精准,因此对于图像的连续性鉴别结果也更准确。图6a为一个实施例提供的识别子网络的训练流程示意图。
应该理解的是,虽然图2-6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2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子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7所示,提供了一种预测图像获取装置,包括:
获取模块100,用于获取多个历史时刻的初始图像;
动态提取模块200,用于采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
内容提取模块300,用于将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
预测模块400,用于将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
在一个实施例中,获取模块100,具体用于获取多个历史时刻的原始图像;对多个所述原始图像进行归一化处理,得到归一化原始图像;对所述归一化原始图像进行填充处理,得到所述初始图像;其中,所述原始图像为雷达拍摄所得到的气象图像。
在一个实施例中,所述预测网络包括融合子网络和识别子网络,预测模块400,具体用于采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像;采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
在一个实施例中,识别子网络的训练包括:对鉴别器和对生成器的交替训练。
在一个实施例中,所述鉴别器包括真实性鉴别器和连续性鉴别器,所述鉴别器的训练过程包括:将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像;将所述卷积结果和每个所述训练图像对应的真实图像,输入所述真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度;采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练;将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度;采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
在一个实施例中,所述生成器的训练过程包括:将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像;将所述卷积结果的真实标签设置为真,得到更新卷积结果;计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失;将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度;采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
在一个实施例中,所述生成器的训练过程还包括:将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;将所述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。
关于预测图像获取装置的具体限定可以参见上文中对于预测图像获取方法的限定,在此不再赘述。上述预测图像获取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,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:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
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:
获取多个历史时刻的原始图像;其中,所述原始图像为雷达拍摄所得到的气象图像;
对多个所述原始图像进行归一化处理,得到归一化原始图像;
对所述归一化原始图像进行填充处理,得到所述初始图像。
在一个实施例中,所述预测网络包括融合子网络和识别子网络,处理器执行计算机程序时还实现以下步骤:
采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像;
采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
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:对鉴别器和对生成器的交替训练。
在一个实施例中,所述鉴别器包括真实性鉴别器和连续性鉴别器,处理器执行计算机程序时还实现以下步骤:
将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像;
将所述卷积结果和每个所述训练图像对应的真实图像,输入所述真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度;
采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练;
将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度;
采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
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:
将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像;
将所述卷积结果的真实标签设置为真,得到更新卷积结果;
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失;
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度;
采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
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:
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
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:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
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:
获取多个历史时刻的原始图像;其中,所述原始图像为雷达拍摄所得到的气象图像;
对多个所述原始图像进行归一化处理,得到归一化原始图像;
对所述归一化原始图像进行填充处理,得到所述初始图像。
在一个实施例中,所述预测网络包括融合子网络和识别子网络,计算机程序被处理器执行时还实现以下步骤:
采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像;
采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
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:对鉴别器和对生成器的交替训练。
在一个实施例中,所述鉴别器包括真实性鉴别器和连续性鉴别器,计算机程序被处理器执行时还实现以下步骤:
将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像;
将所述卷积结果和每个所述训练图像对应的真实图像,输入所述真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度;
采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练;
将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度;
采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
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:将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像;
将所述卷积结果的真实标签设置为真,得到更新卷积结果;
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失;
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度;
采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
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:
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
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,所述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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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。
以上所述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)
1.一种预测图像获取方法,其特征在于,所述方法包括:
获取多个历史时刻的初始图像;
采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
2.根据权利要求1所述的方法,其特征在于,所述获取多个历史时刻的初始图像,包括:
获取多个历史时刻的原始图像;其中,所述原始图像为雷达拍摄所得到的气象图像;
对多个所述原始图像进行归一化处理,得到归一化原始图像;
对所述归一化原始图像进行填充处理,得到所述初始图像。
3.根据权利要求1或2所述的方法,其特征在于,所述预测网络包括融合子网络和识别子网络,所述将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像,包括:
采用所述融合子网络将每个所述动态图像分别和所述内容图像进行融合,得到多个与所述动态图像一一对应的融合图像;
采用所述识别子网络对多个所述融合图像分别进行特征提取,得到每个所述融合图像对应的所述预测图像;其中,所述识别子网络包括所述GAN。
4.根据权利要求2所述的方法,其特征在于,所述识别子网络的训练包括:对鉴别器和对生成器的交替训练。
5.根据权利要求4所述的方法,其特征在于,所述鉴别器包括真实性鉴别器和连续性鉴别器,所述鉴别器的训练过程包括:
将训练图像输入所述生成器,得到卷积结果;所述训练图像为雷达拍摄的气象图像;
将所述卷积结果和每个所述训练图像对应的真实图像,输入所述真实性鉴别器,并获取所述真实性鉴别器输出的交叉商损失值的梯度,得到真实梯度;
采用反向传播技术,根据所述真实梯度对所述真实性鉴别器进行训练;
将所述卷积结果和每个所述训练图像对应的所述真实结果,输入连续性鉴别器,并获取所述连续性鉴别器输出的交叉商损失值的梯度,得到连续梯度;
采用反向传播技术,根据所述连续梯度对所述连续性鉴别器进行训练。
6.根据权利要求4所述的方法,其特征在于,所述生成器的训练过程包括:
将训练图像输入所述生成器,得到卷积结果;其中,所述训练图像为雷达拍摄的气象图像;
将所述卷积结果的真实标签设置为真,得到更新卷积结果;
计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差,得到图片损失;
将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度;
采用反向传播技术,根据所述综合梯度对所述生成器进行训练。
7.根据权利要求6所述的方法,其特征在于,所述将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值进行叠加并计算梯度,得到综合梯度之前,还包括:
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入真实性鉴别器,得到真实交叉商损失值;
将所述更新卷积结果和每个所述训练图像对应的真实结果,输入连续性鉴别器,得到连续交叉商损失值。
8.一种预测图像获取装置,其特征在于,所述装置包括:
获取模块,用于获取多个历史时刻的初始图像;
动态提取模块,用于采用预设的动态信息提取网络,对所述初始图像进行识别,得到表征未来连续时刻气象状态的多个动态图像;其中,所述动态信息提取网络为多层卷积递归神经网络,所述动态信息提取网络包括多个长短期记忆单元;
内容提取模块,用于将多个所述动态图像中最晚时刻的目标动态图像输入内容提取网络进行图像内容提取,得到内容图像;其中,所述内容提取网络为卷积神经网络;
预测模块,用于将多个所述动态图像和所述内容图像输入预设的预测网络进行融合和特征提取,得到表征未来连续时刻气象的多个预测图像;其中,所述预测网络包括对抗生成网络GAN。
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 |
---|---|---|---|
CN201911251459.8A CN111047088A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251459.8A CN111047088A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047088A true CN111047088A (zh) | 2020-04-21 |
Family
ID=70235220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251459.8A Pending CN111047088A (zh) | 2019-12-09 | 2019-12-09 | 预测图像获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047088A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487624A (zh) * | 2020-04-23 | 2020-08-04 | 上海眼控科技股份有限公司 | 一种预测降雨量的方法与设备 |
CN111563917A (zh) * | 2020-05-18 | 2020-08-21 | 南京大学 | 一种基于隐式特征编码的云层运动预测方法及*** |
CN111582254A (zh) * | 2020-06-19 | 2020-08-25 | 上海眼控科技股份有限公司 | 视频预测方法、装置、计算机设备和可读存储介质 |
CN112967388A (zh) * | 2021-03-31 | 2021-06-15 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维时序图像神经网络模型的训练方法和装置 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022101A (zh) * | 2015-06-23 | 2015-11-04 | 国家卫星气象中心 | 强对流云团追踪方法 |
EP3346423A1 (en) * | 2017-01-04 | 2018-07-11 | STMicroelectronics Srl | Deep convolutional network heterogeneous architecture system and device |
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家***北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
-
2019
- 2019-12-09 CN CN201911251459.8A patent/CN111047088A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022101A (zh) * | 2015-06-23 | 2015-11-04 | 国家卫星气象中心 | 强对流云团追踪方法 |
EP3346423A1 (en) * | 2017-01-04 | 2018-07-11 | STMicroelectronics Srl | Deep convolutional network heterogeneous architecture system and device |
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家***北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
Non-Patent Citations (1)
Title |
---|
陈元昭;林良勋;王蕊;兰红平;叶允明;陈训来;: "基于生成对抗网络GAN的人工智能临近预报方法研究", no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487624A (zh) * | 2020-04-23 | 2020-08-04 | 上海眼控科技股份有限公司 | 一种预测降雨量的方法与设备 |
CN111563917A (zh) * | 2020-05-18 | 2020-08-21 | 南京大学 | 一种基于隐式特征编码的云层运动预测方法及*** |
CN111582254A (zh) * | 2020-06-19 | 2020-08-25 | 上海眼控科技股份有限公司 | 视频预测方法、装置、计算机设备和可读存储介质 |
CN112967388A (zh) * | 2021-03-31 | 2021-06-15 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维时序图像神经网络模型的训练方法和装置 |
CN112967388B (zh) * | 2021-03-31 | 2024-07-02 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维时序图像神经网络模型的训练方法和装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950329B (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110517278B (zh) | 图像分割和图像分割网络的训练方法、装置和计算机设备 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN110135406B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN112288770A (zh) | 基于深度学习的视频实时多目标检测与跟踪方法和装置 | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN110490902B (zh) | 应用于智慧城市的目标跟踪方法、装置、计算机设备 | |
CN110852285A (zh) | 对象检测方法、装置、计算机设备和存储介质 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
CN111667001A (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111028260A (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
US20220327676A1 (en) | Method and system for detecting change to structure by using drone | |
CN111783935B (zh) | 卷积神经网络构建方法、装置、设备及介质 | |
CN110660078A (zh) | 对象追踪方法、装置、计算机设备和存储介质 | |
CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN113706481A (zh) | ***质量检测方法、装置、计算机设备和存储介质 | |
CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN111950419A (zh) | 图像信息预测方法、装置、计算机设备和存储介质 | |
CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 |
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 |