本文利用神经网络模型输入历史路径数据和再分析大气图像数据,很好地解决了热带气旋准确预测的问题,模型预测准确率较高,相较于传统的预测方法有很大的优势,可以为实时预报提供宝贵的参考依据。
Oct, 2019
本文提出了一种基于神经网络的灵活的天气预测统计后处理技术,可以自动学习非线性关系,显著优于传统后处理方法,并可以被扩展到其他统计后处理和预测问题。
May, 2018
提出了一个深度学习神经网络的标签检查和修正方法,该方法结合了小损失选择和噪声校正的思想,采用两个不同的网络来通过小损失选择方法训练,并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度,在真实和人工数据集上测试表明该方法优于基准方法。
Feb, 2022
通过分析标签偏移对自动驾驶中的多气候分类任务及行人检测任务的影响,并提出使用 t-RAIN 进行数据增广的方法,使得在无偏移、雾、雪和尘埃偏移情形下行人检测的性能提高 2.1%-4.4%,在真实和合成气象领域中分别获得最优的 82.69 AP(雪)和 62.31 AP(雾)的性能。
May, 2023
我们尝试优化一种新型轻量级上下文引导的卷积神经网络,通过对特征处理、数据增强、损失函数和架构的修改,提高对气候数据中的热带气旋和大气河流的语义分割,尤其着重于最具破坏性的天气现象 —— 热带气旋的检测,采用加权损失函数以改善珍稀事件的类别不平衡性,具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力,为预测、缓解和公平适应气候变化带来新的方向。
Mar, 2023
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020
本文提出了基于卷积神经网络的滤波方法,以改善在恶劣天气条件下激光雷达的场景理解表现,并且证明该方法能通过在控制天气环境下的大规模数据集上训练,显著提高性能。
Dec, 2019
通过傅里叶卷积训练的深度学习方法,我们能够重建历史气候场景,包括大片和不规则的缺失数据区域,以及强烈的厄尔尼诺和拉尼娜事件,且效果优于统计克里金方法和其他机器学习方法。该模型可以推广到比其训练分辨率更高的级别,适用于各种气候场景,并允许填补未曾在模型训练中出现的遮罩区域。
Nov, 2023
采用机器学习神经网络来识别外行星任务的图像数据集,以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块,以及通过训练模型来识别土卫六上的云,进一步验证了我们的技术。
Oct, 2023
本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解,为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。
Aug, 2017