小样本目标检测的研究现状

近年来,随着深度学习技术的进步与推广,目标检测领域得到快速发展.但目前基于深度学习的方法大多对大规模标注数据有着极高的需求,而现实场景中大量标注数据往往不可能.因此,基于少量标注样本的目标检测领域逐渐得到大家关注.本文系统地总结与分析了目前有关小样本目标检测的方法,指出了目前方法的缺陷,并提出了一些可能的发展方向.     

基于深度语义分割的FY-2E遥感影像云检测方法

本文提出了一种基于深度语义分割技术的全自动云检测算法,可提高FY-2E遥感影像的云检测精度。首先,将FY-2EL1数据与精度较高的云检测结果进行匹配,获得用于训练和评估样本的数据集;其次,设计了深度语义分割网络,并针对训练集中正负样本严重失衡的问题,改进了损失函数,可以有效提取云的边界;最后,分别以FY-2E和MODIS数据作为训练和标签样本训练网络,得到了可用于FY-2EL1影像检测的四分类模型。试验结果表明,在四分类检测中,所提方法的准确率达到了75%,Kappa系数为0.53左右。与现有多通道阈值法相比,采用所提方法进行二分类检测可提高约90%样本的准确率,部分样本的准确率提升20%以上。此外,所提方法对云边缘、破碎云等细节识别能力较强,且具有一定的鲁棒性,受训练样本中的误判类别影响较小。未来通过扩充数据集并优化网络,可提高FY-2全圆盘影像的数据质量。     

基于深度图像目标检测的智能台风涡旋识别技术

基于2005—2020年的中国气象局台风最佳路径数据集以及葵花(Himawari)8和风云(FY)卫星云图数据,首先将卫星原始数据转换为FULLDISK灰度图像作为台风涡旋识别技术的图像来源,并制定新的VOC(Visual Object Classes)标注规范,构建了样本标注数据集。利用运行速度快、识别准确率高的人工智能领域经典目标检测SSD(Single Shot MultiBox Detector)模型作为台风涡旋识别的基础模型,并针对台风涡旋识别的独特性,特别是弱涡旋识别困难,提出一种迭代的SSD目标检测模型,明显提高了台风涡旋的识别精度。通过目标检测技术对卫星云图进行智能特征分析、抽取、识别和定位,实现了自动涡旋正确识别和定位,最终建立了智能台风涡旋识别技术。测试结果显示：该技术对强热带风暴级以下强度台风涡旋正确识别率为40%～80%,对强热带风暴级及以上强度台风涡旋正确识别率达90%以上,能够精准识别强台风级及以上强度涡旋,该技术为今后业务利用高时空分辨率卫星图像对台风进行实时精密监测提供了技术支撑。     

4DSVD分析误差与样本选取方法和样本容量的关系初探

分析误差与样本选取方法和样本容量的关系是4DSVD同化方法一个亟需研究的重要问题。获得支撑大气模式空间和观测空间吸引子的基向量是4DSVD研究的关键部分,样本的好坏和样本容量的范围是决定4DSVD基向量和分析结果质量的一个重要前提条件。首先利用Lorenz28变量模式,用4DSVD方法做了一些简单三维同化试验,探讨了Lorenz28变量模式的分析误差与样本容量和样本选取方法的关系。数值试验结果表明,对一个具体的模式,有限的样本容量就能够获得较高精度的分析结果;在模式系统和观测系统不变情况下,用一定样本容量得到的支撑模式空间和观测空间的基向量具有很好的稳定性,即一旦获得一组较好的基向量,在观测系统和模式系统不变的情况下,对同化任何时刻的观测适用;分析结果对选取方法没有太大的依赖性,但具体的样本容量要视不同模式和样本选取方法而定。用WRF模式做的4DSVD四维观测系统模拟试验结果表明,若样本选取方法得当,所需要的样本容量要远远小于模式自由度。4DSVD要真正获得较高精度的分析结果,需要的条件是尽可能的在吸引子上取样并选取充足的样本容量;间隔取样可以一定程度上减少计算量。根据数值试验结果提出了4DSVD在实际同化时样本选取的一些初步的方法。     

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.     

新型自动站使用方法技巧及注意事项

通过对新型自动站软件安装、软件维护注意事项、数据异常处理等分析,找出新型站使用过程中的一些问题,总结出一些使用技巧和方法,供台站在实际业务工作中参考。     

基于用户点击数据的细粒度图像识别方法概述

近年来,细粒度图像识别逐渐成为计算机视觉领域的研究热点.由于不同类别图像间的视觉差异小、语义鸿沟问题严重,传统的基于视觉特征的细粒度图像识别性能往往不尽人意.针对这些挑战,目前许多学者都在研究基于用户点击数据的图像识别.本文围绕点击数据在图像识别中数据预处理、特征提取和模型构建3大模块中的应用,总结了已有的基于点击数据的识别算法及最新的研究进展.     

基于区域自动气象站实验室校准系统设计与实现

以设备集成技术为基础,采用层次化、模块化及面向对象的分析和设计技术,开发自动校准和计量业务管理软件,研制了市级气象局计量设备接口,最终实现自动采集被校传感器、计量标准器数据、自动控制校准设备、自动处理校准数据等整个区域自动气象站校准工作的自动化。     

地面自动站月报表预审初探

地面自动气象站月报表的预审工作可以应用系统软件在进行设置之后实现自动审核,减少了常规预审的程序。但采用自动审核很难保证报表质量。同时由于数据量的扩大,尚有不能实现自动采集的人工观测数据。为使报表质量达到要求,需加强人工预审工作。提出采用自动审核与人工预审密切结合,层层细化的方法,对报表进行预审,可以提高预审水平,保证报表质量,此方法可行。     

图像特征检测与匹配方法研究综述

几十年来,图像特征检测与匹配一直是图像处理的最核心领域之一,是计算机视觉的基石.没有特征检测与匹配就没有SLAM、Sfm、AR、通用图像检索、图像配准、全景图像等视觉任务.本文在回顾几十年来的经典检测算法的基础上,阐述了引用最新的以深度学习为首的机器学习算法后,在本领域取得的最新进展,包括特征点、局部特征子、全局特征子、匹配及优化、端到端框架等所有关键点,展示了算法各自的优缺点.总而言之,面对工业界的宽基线、实时、低算力检测的要求,图像特征检测和匹配仍然是一项未能完整攻克的任务,融合特征点、局部特征子、全局特征子、匹配及优化的多任务全局框架成为未来发展的趋势.     

观测数据中气象站位置信息检验及应对策略研究

自动气象站位置信息是准确应用观测数据的前提,但受多种因素影响部分测站位置信息不准确客观存在。依据气象站位置信息的特点,设计了一套适用于观测数据中气象站位置信息检验评估的方法和流程,对2018年1月全国62 162个气象站逐小时观测数据中经纬度和海拔高度进行了检验。结果表明:(1)位置信息出现疑误的站点均为区域站;(2)位置信息的站点疑误率为4. 8%,且海拔高度出现疑误的概率大于经纬度,海拔高度和经纬度的站点疑误率分别为4. 2%和1. 3%;(3)随时间变化异常是位置信息疑误的主要表现形式,经纬度和海拔高度时间一致性检查的方法检出率分别为94. 9%和74. 5%。最后,依托MDOS建立了自动气象站位置信息综合监视流程,降低了位置信息疑误对后端应用的影响。     

基于区域自动站数据的兰州地区降水精细化特征

基于2012—2019年兰州地区146个区域自动气象站小时降水数据,从不同时间尺度分析兰州地区近8 a降水精细化特征。结论如下:(1)2012—2019年,兰州地区年均降水量总体呈"北少南多、外多内少"的空间分布特征;年降水量具有明显的年际变化,2018年降水异常偏多46%,而2015、2017年降水异常偏少,尤其2015年偏少30%。(2)兰州地区降水主要集中在7—8月,受环流形势影响,7—8月南部降水明显多于北部,其余月份南北降水差异不明显。(3)兰州地区降水量和降水范围分别表现为"朝少夕多"、"夜大日小"的日变化特征;受海拔高度影响,城区降水量总体比山区小,且因热岛效应,城区降水主要集中在午后至傍晚前后,多为对流性降水,而山区降水日分布较为均匀,整体日波动较小。(4)安宁区短时强降水发生频次最高,但短时强降水频发的站点出现在皋兰县六合站和永登县徐家磨村站,永登县是兰州地区短时强降水预报需重点关注的地区。