Oct, 2023

环境神经处理的模拟与实际

PDF
TL;DR在这篇论文中，研究者分析了一种基于机器学习的天气模型，通过在德国使用 ConvCNP 模型和不同数量的气象站进行 fine-tuning，论证了通过 Sim2Real 方法，使用重新分析数据进行预训练并利用实测数据进行精调，可以显著提高模型的性能，从而为天气预测和气候监测提供更准确的模型。
machine learningweather modelsconvcnpsim2realweather prediction
发现论文，激发创造
  • 基于模型的深度卷积神经网络仿真

    该论文研究使用虚拟环境训练 CNN 模型的有效性，并针对城市语义理解提出了一种简单的概率场景模型，开发了参数化渲染工具进行数据综合，并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念，以减少性能偏差。

    May, 2016

  • 时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度

    该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

    Apr, 2023

  • 重建光谱中的 Sim2Real：基于增强设备信息数据模拟的深度学习

    本研究提出了一种基于深度学习的框架 Sim2Real，用于重建光谱信号中的谱信号重建，在于有效数据采样和快速推理时间。该工作着重解决了仅有经过设备训练的模拟数据的极端设置下，重建真实世界光谱信号的挑战，在此设置中，模拟数据虽然比真实世界数据更容易获取，但存在与真实数据巨大的分布差异。为了有效利用这些模拟数据，引入了分层数据增强策略以减轻域偏移的不利影响，并设计了相应的神经网络来对增强的数据进行光谱信号重建。使用从我们的光谱仪设备测量得到的真实数据集进行的实验证明，Sim2Real 在推理过程中实现了显著的加速，并且在性能方面与最先进的基于优化方法的方法相当。

    Mar, 2024

  • RadSimReal: 用模拟数据弥合雷达目标检测中合成数据与真实数据之间的差距

    应用神经网络在雷达图像中进行目标检测，在自动驾驶方面显示出巨大潜力。为了解决真实雷达图像数据集获取的困难，特别是在长距离检测和恶劣的天气和光照条件下，雷达性能表现优异的场景，我们提出了 RadSimReal - 一种创新的物理雷达模拟工具，能够生成各种雷达类型和环境条件下的合成雷达图像及其标注，无需收集真实数据。令人惊讶的是，我们的研究结果表明，在 RadSimReal 数据上训练目标检测模型，并随后在真实世界数据上进行评估，产生的性能水平与在相同数据集上训练和测试的模型相当，甚至在跨不同真实数据集进行测试时，性能更好。RadSimReal 相比其他物理雷达模拟工具具有优势，因为它不需要了解雷达设计细节，而雷达供应商通常不会公开这些细节，并且具有更快的运行时间。这个创新工具有潜力推进基于雷达的自动驾驶应用的计算机视觉算法的发展。

    Apr, 2024

  • 基于深度学习的稀疏观测数据日预报

    本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

    Jun, 2023

  • 气候模型偏差校正和超分辨对比学习

    在对气候模型进行本地气候风险准确估计时，我们提出了一种基于图像超分辨率和对比学习生成对抗网络的方法，该方法可以在实现偏差校正的同时将空间分辨率提高一倍，并且可用于更精确的洪水、干旱和热浪等灾害的本地准确建模。

    Nov, 2022

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022

  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

    May, 2020

  • 使用深度卷积残差回归神经网络转换海洋温度观测

    通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。

    Jun, 2023

  • 利用卷积神经网络在立方球面上改善基于数据的全球天气预报

    使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

    Mar, 2020