-
公开(公告)号:CN115390164B
公开(公告)日:2023-01-31
申请号:CN202211322018.4
申请日:2022-10-27
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种雷达回波外推预报方法及系统,本发明采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络,通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征,增强网络的短期依赖能力,通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态,捕获更可靠的帧间运动信息,大大增强了降雨预测精准度。本发明克服了现有技术对上下文信息提取不足、预报时效短的缺点,实现了准确度更高的雷达回波外推预测。
-
公开(公告)号:CN107016691A
公开(公告)日:2017-08-04
申请号:CN201710243141.X
申请日:2017-04-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于超像素特征的运动目标检测方法,包括:利用SLIC0分割法对每帧图像进行超像素分割,并提取各超像素块的像素均值作为其超像素特征值;以初始种子点位置上的超像素特征值为此超像素块样本值,根据前N帧超像素块样本值构建各初始种子点位置上的超像素块的样本模型;提取新的一帧图像,计算其每个初始种子点上的超像素块与该种子点上超像素块的样本模型中每个样本之间的欧氏距离,若某超像素块与样本之间欧式距离小于距离阈值的总数小于匹配阈值,则判断该超像素块为前景块;此帧图像中所有的前景超像素块便组成了运动目标检测结果。本发明方法引入了超像素特征,获得良好的目标边缘信息,保证运动目标外观的完整性。
-
公开(公告)号:CN108961308B
公开(公告)日:2021-07-02
申请号:CN201810558287.8
申请日:2018-06-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种漂移检测的残差深度特征目标跟踪方法,通过卷积神经网络提取分层特征,然后在卷积神经网络加入残差结构,连接不同的网络层,实现浅层和深层特征的融合,不需要人为设计特征融合方式,网络结构能够自动实现特征融合的功能,用深度特征区分目标和背景,比传统特征更具有分辨力;在预测当前帧的目标位置时,提出了一个检测模型漂移的策略,设计了一个响应强度下降计数器,通过对比相邻帧响应强度的大小计数,根据计数器的数值,用来判断是否出现模型漂移,以采取相对应的模型更新方案作为补救措施,实现精确跟踪。
-
公开(公告)号:CN106203354A
公开(公告)日:2016-12-07
申请号:CN201610554626.6
申请日:2016-07-14
Applicant: 南京信息工程大学
CPC classification number: G06K9/00684 , G06N3/02
Abstract: 本发明公开了一种基于混合深度结构的场景识别方法。改进先前混合深度识别框架,运用到场景识别的任务中,使用深度自编码器自动提取局部图像块特征代替传统混合深度网络的局部特征提取层,得到图像块高级局部特征。同时引入空间信息改进场景识别的局部特征编码层,最后使用深度判别网络识别场景,完善混合深度混合场景识别框架,使改进的混合深度场景在形式上和识别准确率上接近卷积神经网络的,计算效率上高于深度卷积神经网络。此外针对场景数据类内差异性和类间相似性有选择扩充场景数据,构建鲁棒性高,适应小数据集的深度混合场景识别模型。
-
公开(公告)号:CN117665825B
公开(公告)日:2024-05-14
申请号:CN202410131969.6
申请日:2024-01-31
Applicant: 南京信息工程大学
IPC: G01S13/95
Abstract: 本发明公开了一种雷达回波外推预报方法及系统,属于降雨短临预报技术领域,其包括获取待预测的雷达回波图像序列;对雷达回波图像序列进行预处理,得到待预测数据集;将所述待预测数据集输入预先训练的结合双分支编解码和门控递归网络的预测模型,获得雷达回波外推预测图像;其中,所述结合双分支编解码和门控递归网络的预测模型的训练方法包括:对获取到的雷达回波图像序列样本进行预处理,得到有效样本数据集;将所述有效样本数据集输入预先构建的结合双分支编解码和门控递归网络的预测模型,得到训练好的结合双分支编解码和门控递归网络的预测模型,通过上述过程实现了准确率更高的雷达回波外推预测效果,大大增强了降雨预测精度。
-
公开(公告)号:CN117634930B
公开(公告)日:2024-03-29
申请号:CN202410096277.2
申请日:2024-01-24
Applicant: 南京信息工程大学
IPC: G06Q10/0637 , G01W1/10 , G06Q50/26 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种台风云图预测方法、系统及存储介质,预测方法包括:将台风云图序列样本输入至预训练的FSTA‑LSTM神经网络模型中,得到预测的台风云图序列,确定台风云图预测结果;其中,所述FSTA‑LSTM神经网络模型的训练过程包括:搭建神经网络模型;其中,所述神经网络模型包括依次连接的特征增强模块、Encoder编码器、STA‑LSTM模块、Decoder解码器和多尺度特征融模块;将预处理后的台风云图序列样本数据输入至神经网络模型中,台风云图序列样本经神经网络模型的多层网络架构的前向传播后,再反向传播更新神经网络模型的网络权重,获得FSTA‑LSTM神经网络模型。本申请优化时空记忆单元和隐藏单元的信息传递,提升了模型对复杂云图模式和台风结构变化的捕捉能力。
-
公开(公告)号:CN117634930A
公开(公告)日:2024-03-01
申请号:CN202410096277.2
申请日:2024-01-24
Applicant: 南京信息工程大学
IPC: G06Q10/0637 , G01W1/10 , G06Q50/26 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种台风云图预测方法、系统及存储介质,预测方法包括:将台风云图序列样本输入至预训练的FSTA‑LSTM神经网络模型中,得到预测的台风云图序列,确定台风云图预测结果;其中,所述FSTA‑LSTM神经网络模型的训练过程包括:搭建神经网络模型;其中,所述神经网络模型包括依次连接的特征增强模块、Encoder编码器、STA‑LSTM模块、Decoder解码器和多尺度特征融模块;将预处理后的台风云图序列样本数据输入至神经网络模型中,台风云图序列样本经神经网络模型的多层网络架构的前向传播后,再反向传播更新神经网络模型的网络权重,获得FSTA‑LSTM神经网络模型。本申请优化时空记忆单元和隐藏单元的信息传递,提升了模型对复杂云图模式和台风结构变化的捕捉能力。
-
公开(公告)号:CN115933010A
公开(公告)日:2023-04-07
申请号:CN202211688110.2
申请日:2022-12-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种雷达回波外推临近天气预测方法,包括:获取历史雷达回波序列样本;构建及训练基于AFR‑LSTM的预测神经网络模型,将雷达回波序列样本划分batch_size后,输入到预测神经网络模型中,经过多层网络的前向传播后,反向传播更新网络权重,得到训练好的预测神经网络模型;将设定时间段内的雷达回波序列样本,输入训练好的预测神经网络模型,得到雷达回波外推图像序列;根据所述雷达回波外推图像序列,确定临近天气预测结果。
-
公开(公告)号:CN115390164A
公开(公告)日:2022-11-25
申请号:CN202211322018.4
申请日:2022-10-27
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种雷达回波外推预报方法及系统,本发明采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络,通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征,增强网络的短期依赖能力,通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态,捕获更可靠的帧间运动信息,大大增强了降雨预测精准度。本发明克服了现有技术对上下文信息提取不足、预报时效短的缺点,实现了准确度更高的雷达回波外推预测。
-
公开(公告)号:CN108961308A
公开(公告)日:2018-12-07
申请号:CN201810558287.8
申请日:2018-06-01
Applicant: 南京信息工程大学
CPC classification number: G06T7/251 , G06K9/629 , G06T7/248 , G06T2207/10016 , G06T2207/20081 , G06T2207/20084 , G06T2207/30232
Abstract: 本发明公开了一种漂移检测的残差深度特征目标跟踪方法,通过卷积神经网络提取分层特征,然后在卷积神经网络加入残差结构,连接不同的网络层,实现浅层和深层特征的融合,不需要人为设计特征融合方式,网络结构能够自动实现特征融合的功能,用深度特征区分目标和背景,比传统特征更具有分辨力;在预测当前帧的目标位置时,提出了一个检测模型漂移的策略,设计了一个响应强度下降计数器,通过对比相邻帧响应强度的大小计数,根据计数器的数值,用来判断是否出现模型漂移,以采取相对应的模型更新方案作为补救措施,实现精确跟踪。
-
-
-
-
-
-
-
-
-