深度细粒度图像识别研究综述

细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别（例如不同子类的鸟类、花或动物）.不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见的姿态、光照和视角变化因素之外,细粒度数据集具有更大的类间相似性和类内差异性,因此要求模型能够捕捉到细微的类间差异信息和类内公有信息.除此之外,不同类别的样本存在不同程度的获取难度,因此细粒度数据集通常在数据分布中表现出长尾的特性.综上所述,细粒度数据分布具有小型、非均匀和不易察觉的类间差异等特点,对强大的深度学习算法也提出了巨大的挑战.本文首先介绍了细粒度图像分类任务的特点与挑战,随后以局部特征与全局特征两个主要视角整理了目前的主流工作,并讨论了它们的优缺点.最后在常用数据集上比较了相关工作的性能表现,并进行了总结与展望.     

基于判别式字典的正则化稀疏表示人脸识别算法

为了克服非约束性(光照、表情变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Fisher判别准则的正则化稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor幅值图像,提取其统一化的局部二进制直方图,然后利用Fisher判别准则学习得到新的字典,最后通过正则化的稀疏表示判断测试图像所属类.利用AR数据库的数据进行实验的结果表明,与SRC、FDDL、RSC识别算法相比,本文算法在非约束性条件下具有最佳的识别率.     

一种新的立体显示中的视差估计与虚拟视点绘制算法

针对虚拟视图绘制技术中空洞和伪边缘等问题,提出了一种新的立体匹配算法以获得稠密视差图完成虚拟视点合成.此方法只需要两张视图,对其采用Mean shift算法就可以进行视图分割.有效的虚拟视点绘制是基于良好的视差图与好的视图插值法实现的.通过权值多窗口立体匹配法获得初始视差图,再利用交叉检验法对不可信匹配点和闭塞遮挡区域进行滤除,很好地解决了视差图中遮挡区域引起的误匹配问题.最后,对获得的稠密视差图进行视图插值和相应的噪声滤除完成了多点位置的虚拟视图绘制.针对Middlebury dataset提供的"Tsukuba"等测试图像进行相关实验,实验结果表明,该算法具有良好的视图绘制效果.     

基于多任务学习的地基云图识别与分割技术北大核心CSCD

云在天气预报中扮演着一个至关重要的角色,准确识别和分割地基云图可以有效指导天气预报。针对大部分现有数据集只适用于单任务学习,地基云图识别和分割技术多以单任务实现,识别检测效率低且算法鲁棒性差等问题,构建了带标签且适合多任务学习的地基云图数据集(GBCD)和GT数据集(GBCD-GT),在此基础上设计了一种基于多任务学习的地基云图识别与分割联合网络模型(GCRSegNet)。该模型首先通过卷积神经网络提取共享特征,再为每个任务设计特定网络,提取更具辨识度的特征,分割网络通过学习共享特征实现地基云图分割,识别网络通过结合共享特征和分割特征实现地基云图识别。经过多组对比试验表明,该网络能准确表征地基云图特征,使识别任务准确率达到94.28%,分割任务像素准确率达到93.85%,平均交并比达到71.58%,为实际应用提供了可能性。     

FY-3B/VIRR海表温度算法改进及精度评估

该文介绍了卫星观测海表温度 (SST) 算法的发展历程,给出了所用SST算法的回归模型,并在FY-3B/VIRR业务SST算法的基础上进行了改进。基于NOAA-19/AVHRR匹配数据集,进行多算法建模分析及精度评估,白天最优算法为非线性SST (NL) 算法,夜间最优算法为三通道SST (TC) 算法,最优算法的确定与NESDIS/STAR一致。建立2012年8月—2013年3月FY-3B/VIRR匹配数据集,并在此基础上进行多算法回归建模及精度评估,白天和夜间的最优均为NL算法,分析发现夜间TC算法采用匹配数据集版本2(MDB_V2) 时,3.7 μm通道存在类似百叶窗的条带现象。以2012年10—12月FY-3B/VIRR匹配数据集计算回归系数,以2013年1—3月独立样本进行精度评估,与浮标SST相比,NL算法白天和夜间的均方根误差分别为0.41℃和0.43℃。与日平均最优插值海温 (OISST) 相比,NL算法白天和夜间的均方根误差分别为1.45℃和1.5℃; 选择与OISST偏差在2℃以内的样本,NL算法白天和夜间均方根误差分别为0.82℃和0.84℃。     

基于迁移学习的卫星云图云分类

针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。     

一种基于场景合成和锚点约束的SAR目标检测网络

随着深度学习方法在计算机视觉领域的崛起,如何将其应用于具有全天时、全天候等优点的SAR图像也成为一大研究重点.相较于传统图像,SAR图像由于其难判读、应用人群较少等原因难以获得大量标注数据.本文提出一种基于场景合成和锚点约束的SAR图标检测方法.通过区域生长算法和阈值法对SAR车辆目标及其阴影进行分割,然后随机嵌入SAR复杂场景中的合理区域来合成目标检测数据集.针对SAR车辆目标的几何特性、图像分辨率参数,对Faster-RCNN中的锚点大小进行约束,减少不符合SAR车辆目标检测框尺寸的候选框,大量约简冗余计算,提升训练、测试效率及精度.     

结合中尺度模式物理约束的雷达回波临近外推预报方法研究

研究设计了一种结合中尺度模式物理约束的雷达回波临近智能外推预报方法,该方法在外推预报时效(0—2 h)内即利用中尺度高分辨率模式信息对外推进行约束.首先将模式风场和雷达回波轨迹风场融合成融合风场,然后利用融合风场光流外推形成动力约束外推;并在此基础上利用模式诊断产品和雷达历史资料通过投票回归器集成多种深度学习算法构建回...     

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。      

权重平衡有向网络下分布式约束优化的连续时间算法设计

本文研究权重平衡有向网络下分布式约束优化问题的求解,其中网络的全局目标函数是由每个智能体的局部目标函数的和构成,全局的约束是由每个智能体的局部约束的交构成.为了分布式求解该问题的最优解,首先引入智能体的局部共轭函数将其转换为Fenchel对偶问题.其次,从Fenchel对偶问题出发,提出一类基于奇异摄动系统的分布式连续时间算法.在局部目标函数和其梯度分别满足强凸和Lipschitz（李普希兹）连续的情况下,结合凸分析方法和Lyapunov（李雅普诺夫）稳定性理论,结果表明所提算法能够获得原问题和对偶问题的最优值.最后,数值仿真进一步验证了所提算法的有效性.     

Forecasting Different Types of Convective Weather: A Deep Learning Approach

A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China.     

ECMWF全风速场集合预报结果的偏差订正与预报不一致性分析

采用卡尔曼滤波类型自适应误差订正法和滑动自适应权重法,对2012年夏季ECMWF 10 m全风速场集合预报结果进行偏差订正,对订正前后的预报结果进行评估,并通过Jumpiness指数对预报结果订正前后的预报不一致性特征进行分析。结果表明,卡尔曼滤波类型自适应误差订正法能有效降低集合预报的均方根误差,且当起报时刻为00时对中低纬度地区的订正效果更显著,当起报时刻为12时对中高纬度地区的订正效果更明显;卡尔曼滤波类型自适应误差订正法能有效改善Talagrand的U型或L型分布;由均方根误差分析结果知道,ECMWF 10 m全风速场集合预报本身存在较大的预报不一致性,经过卡尔曼滤波类型自适应误差订正后,集合预报的预报不一致性明显降低,偏差订正可有效改善集合预报的预报不一致性,且随着预报时效的延长,卡尔曼滤波误差法对预报不一致性的改善效果更加明显;从预报不一致性的发生次数特征来看,单点跳跃出现的次数最多,异号三点跳跃的次数最少;经过卡尔曼滤波类型自适应误差订正后,单点跳跃、异号两点跳跃、异号三点跳跃次数都有所下降。     

Self-similarity patterns of precipitation in the Iberian Peninsula

Summary An objective classification of the precipitation field over the Iberian Peninsula and the Balearic Islands is obtained. Data are derived from a high-resolution daily precipitation dataset obtained from in-situ measurements. The dataset, Iberian monthly Precipitation Dataset (IPD), consists of monthly precipitation data over a 25 km × 25 km grid from 1^st January 1961 to 31^st December 2003. Therefore, 960 data series over the Iberian Peninsula and the Balearic Islands are disposed over the grid for 43-year period. Multi-resolution wavelet analysis is used to extract similar information in the precipitation field at different timescales. An objective classification of the obtained wavelet coefficient series is carried out by means of the Kohonen’s neural network, also named Self-Organizing Map (SOM). SOM is formed by an unsupervised learning algorithm that may be used to find clusters of similar events in the input data and is able to identify some underlying dynamic structures of the multi-dimensional datasets. SOM is applied to the wavelet coefficients for intramonthly, intermonthly and interannual oscillations, obtaining self-organised maps which objectively identify similar zones of precipitation behaviour over the Iberian Peninsula. The homogeneity of the patterns is also studied by means of non-parametric correlations, energy scalograms and tests of significance. The intramonthly, intermonthly and interannual waves resulted in seven, five and three SOM patterns, respectively. As timescale increases, the wavelet series coefficients tend to be highly clustered. The results indicate that as the oscillation frequencies decrease, the Iberian precipitation behaves more linearly.     

2003—2009年中国地区叶面积指数变化特征分析

为了解2003—2009年中国的叶面积指数(Leaf Area Index,LAI)变化特征,以及不同数据产品的差别,利用基于MODIS数据反演的3组LAI产品,比较分析了中国地区LAI的时空变化特征及其与气候因子的相关。结果表明,3组数据具有总体一致的变化特点,增长区主要位于东北大兴安岭、华北、华中和西南等地;减少区则位于四川盆地、江南以及华南东部;但在云贵川和青藏高原东南部等地有明显差异。在量值上,中科院地理所反演的LAI(LAI1)总体比NASA反演的LAI(LAI2)和北京师范大学反演的LAI(LAI3)偏小,它们在中国常绿阔叶林区的差别可达1.0以上。LAI1与同期降水和气温都有显著的相关,相关系数的空间分布一致,但LAI1的相关系数比LAI3和LAI2偏低。3组数据的差异主要与采用的遥感源数据和反演方法等不同有关。尽管不同LAI数据产品局域和量值差异对定量分析有一定影响,但是它们在时空变化及与气候条件相关等方面的一致性证明了在气候及气候变化研究中的可用性。     

遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法，可同时优化门限值和自回归系数，解决了TAR建模过程所涉及的大量复杂寻优工作这一难题，为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明：通过门限值的控制作用，TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息，限制了模型误差，保证了TAR模型预测性能的稳健性，提高了预测精度。该方法具有通用性，在各种气象非线性时序预测中具有广泛的实用价值。     

机器学习的原理及其在气候预测中的潜在应用

经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。     

主要卫星云气候数据集评述

自20世纪70年代气象卫星进入业务化观测以来,气象卫星已提供了40余年的观测数据。长时间序列的卫星数据为云气候研究提供了可能。基于长时间序列的卫星数据,构建云气候数据集会涉及诸如定标、反演算法、反演数据精度验证等方面。目前国际上也已生成了一系列的云气候数据集,如ISCCP,Patmos-x,CLARA和MODIS-ST等,这些数据集所选用的探测数据、反演算法不尽一致,数据集产品的时空属性各异。如何发挥极轨和静止气象卫星各自优势,融合两类卫星数据,形成高时间分辨率、质量稳定的长时间序列云气候数据集是未来需要解决的问题。     

Evaluating a modified point-based method to downscale cell-based climate variable data to high-resolution grids

To address the demand for high spatial resolution gridded climate data, we have advanced the Daymet point-based interpolation algorithm for downscaling global, coarsely gridded data with additional output variables. The updated algorithm, High-Resolution Climate Downscaler (HRCD), performs very good downscaling of daily, global, historical reanalysis data from 1° input resolution to 2.5 arcmin output resolution for day length, downward longwave radiation, pressure, maximum and minimum temperature, and vapor pressure deficit. It gives good results for monthly and yearly cumulative precipitation and fair results for wind speed distributions and modeled downward shortwave radiation. Over complex terrain, 2.5 arcmin resolution is likely too low and aggregating it up to 15 arcmin preserves accuracy. HRCD performs comparably to existing daily and monthly US datasets but with a global extent for nine daily climate variables spanning 1948–2006. Furthermore, HRCD can readily be applied to other gridded climate datasets.