Mar, 2024

多气候共存估计的天气不确定性建模

PDF
TL;DR本研究提出了一种新的多天气共存估计方法，基于物理原理模型化了天气不确定性，并通过高斯混合模型和先验 - 后验学习实现了不确定性感知的多天气学习方案。实验结果表明该方法在常规多标签天气分类和多天气共存估计任务中均具有最先进的性能和广泛的泛化能力。
weather conditionscomputer vision algorithmsmulti-weather classificationweather uncertaintymulti-weather co-presence estimation
发现论文，激发创造
  • 物理感知网络和全天候多模态逆境天气图像融合基准

    在这篇论文中，我们提出了一种适用于各种天气条件下的多模态图像融合模型，该模型具有抵抗不同天气干扰的能力，并在极端天气条件下展示出出色的细节恢复和多模态特征提取能力。

    Feb, 2024

  • WeatherQA: 多模态语言模型能否推理严重天气？

    多模态数据集 WeatherQA 是用于预测复杂的恶劣天气事件的第一个数据集，使用视觉语言模型评估模型在多选问题和危险密度分类任务上表现较人类推理薄弱，需要更好的训练和数据整合来弥合差距。

    Jun, 2024

  • 借助语言引导的恶劣天气语义分割

    我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

    Mar, 2024

  • 无监督单目深度估计：谈谈天气

    本文提出了一种方法，使用计算机图形和生成模型相结合，通过扩充现有的晴天数据以模拟恶劣天气状况，将增广用于无监督深度估计，进而引入伪监督损失来解决降低性能的问题。

    Jul, 2023

  • 实时多标签天气识别的 MASK-CNN-Transformer

    本研究提出了一种新颖的基于 MASK - 卷积神经网络 - Transformer 模型的多标签气象识别模型，该模型采用了 MASK 机制来提高模型的泛化能力，实验结果表明该模型在各种天气识别数据集上均表现出比现有最先进方法更好的性能，并且具有高速动态实时天气识别能力。

    Apr, 2023

  • 基于联邦学习和生成对抗网络的气象预测中处理降水预测模型数据不平衡的分布式方法

    利用机器学习模型对天气数据进行分类，通过数据增强方法解决天气类别不平衡问题，以及在分散和联邦学习环境中训练模型，从而提高对罕见但关键的天气事件的准确性。

    Oct, 2023

  • 恶劣天气中的人群计数

    本篇文章提出了一种强大的应对恶劣天气情景下人群计数问题的方法，该方法利用图像特征和自适应查询进行计数并依据输入图像的降解进行优化，实验结果表明该方法在不同天气类型下对基准数据集中的人群计数问题有效。

    Jun, 2023

  • 用神经网络将天气预报分解为平流和对流

    使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

    May, 2024

  • 带有领域知识保留的多种恶劣天气条件下的语义分割

    我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

    Jan, 2024

  • WeatherDepth：面向恶劣天气条件下的自监督深度估计的课程对比学习

    我们提出了 WeatherDepth，这是一个自监督的鲁棒深度估计模型，使用课程对比学习来应对复杂天气条件下性能下降的问题。通过逐步从晴朗到恶劣天气场景的简单到复杂的课程调整，鼓励模型逐渐掌握抵抗天气影响的有益深度线索，从而实现更平滑和更好的域适应。同时，我们在不同课程中引入对比学习，以防止模型遗忘先前的课程，并在不同课程之间建立深度一致性约束，从而实现对多样天气条件下鲁棒深度估计的目标。此外，为了减少人工干预并更好地适应不同模型，我们设计了一个自适应课程调度器，自动搜索最佳的课程切换时机。在实验中，我们的解决方案被证明可以轻松应用于各种架构，并在合成和真实天气数据集上展现了最先进的性能。

    Oct, 2023