氣象研究表明,強(qiáng)對(duì)流往往是導(dǎo)致暴雨、龍卷風(fēng)、冰雹等自然災(zāi)害的直接原因,這些自然災(zāi)害會(huì)給人民的生活生產(chǎn)行為帶來(lái)很大的不便,嚴(yán)重時(shí)甚至?xí)：Φ饺嗣竦纳踩�。如果我們能夠預(yù)測(cè)對(duì)流云系的發(fā)展過(guò)程,就可以在一定程度上規(guī)避自然災(zāi)害帶來(lái)的損失。我們可以從衛(wèi)星云圖圖像序列中觀測(cè)到對(duì)流的變化過(guò)程,為了預(yù)測(cè)對(duì)流云的未來(lái)發(fā)展形態(tài),我們可以先預(yù)測(cè)衛(wèi)星云圖的后續(xù)變化形態(tài),然后根據(jù)預(yù)測(cè)得到的衛(wèi)星云圖檢測(cè)強(qiáng)對(duì)流。該過(guò)程可以抽象為視頻預(yù)測(cè)和圖像序列分割兩個(gè)問(wèn)題�，F(xiàn)有的視頻預(yù)測(cè)算法和圖像分割算法應(yīng)用場(chǎng)景比較廣泛,沒(méi)有針對(duì)衛(wèi)星數(shù)據(jù)的特點(diǎn)設(shè)計(jì)特定的模型算法。在視頻預(yù)測(cè)問(wèn)題中,目前主流方法往往是基于seq2seq結(jié)構(gòu)的,這種結(jié)構(gòu)的一大缺點(diǎn)就是解碼器獲得的信息僅僅來(lái)源于編碼器對(duì)輸入的編碼,導(dǎo)致的問(wèn)題就是隨著預(yù)測(cè)步數(shù)增加圖像越來(lái)越模糊。在圖像分割問(wèn)題中,當(dāng)前的方法大多是針對(duì)單幀圖像的并且需要分割的目標(biāo)是剛體,這些方法沒(méi)有考慮到圖像序列中時(shí)序特征對(duì)分割效果的作用以及目標(biāo)是流體的情況。本文針對(duì)seq2seq預(yù)測(cè)框架的不足提出了基于特征金字塔的遞推模型。特征金字塔的設(shè)計(jì)主要是為了融合不同粒度的特征,更加準(zhǔn)確地還原圖像。為了更好地利用... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究目的與意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 基于傳統(tǒng)方法的對(duì)流云檢測(cè)方案研究現(xiàn)狀
        1.3.2 視頻預(yù)測(cè)研究現(xiàn)狀
        1.3.3 圖像分割研究現(xiàn)狀
    1.4 問(wèn)題的總結(jié)與分析
        1.4.1 視頻預(yù)測(cè)方法
        1.4.2 圖像分割方法
    1.5 本文主要研究?jī)?nèi)容
    1.6 本文組織結(jié)構(gòu)
第2章 視頻預(yù)測(cè)和圖像分割基礎(chǔ)知識(shí)
    2.1 卷積-長(zhǎng)短期記憶網(wǎng)絡(luò)
        2.1.1 卷積操作
        2.1.2 長(zhǎng)短期記憶單元
        2.1.3 卷積-長(zhǎng)短期記憶單元
    2.2 視頻預(yù)測(cè)算法
    2.3 圖像分割算法
    2.4 本章小節(jié)
第3章 基于特征金字塔的遞推模型
    3.1 引言
    3.2 基于特征金字塔的遞推模型總體框架
    3.3 基于特征金字塔的遞推模型設(shè)計(jì)細(xì)節(jié)
        3.3.1 特征金字塔設(shè)計(jì)
        3.3.2 遞推模型架構(gòu)
        3.3.3 優(yōu)化目標(biāo)設(shè)計(jì)
    3.4 實(shí)驗(yàn)過(guò)程與結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)介紹
        3.4.3 實(shí)驗(yàn)環(huán)境
        3.4.4 實(shí)驗(yàn)過(guò)程
        3.4.5 實(shí)驗(yàn)結(jié)果可視化
        3.4.6 實(shí)驗(yàn)對(duì)比和分析
    3.5 本章小結(jié)
第4章 基于圖像序列分割的強(qiáng)對(duì)流識(shí)別算法
    4.1 引言
    4.2 圖像序列分割算法總體框架
    4.3 圖像序列分割算法設(shè)計(jì)細(xì)節(jié)
        4.3.1 圖像特征提取模塊設(shè)計(jì)
        4.3.2 時(shí)序特征提取模塊設(shè)計(jì)
        4.3.3 非線性層
        4.3.4 優(yōu)化目標(biāo)設(shè)計(jì)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)介紹
        4.4.3 實(shí)驗(yàn)環(huán)境
        4.4.4 實(shí)驗(yàn)過(guò)程
        4.4.5 實(shí)驗(yàn)結(jié)果可視化
        4.4.6 實(shí)驗(yàn)對(duì)比和分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]U-net與Dense-net相結(jié)合的視網(wǎng)膜血管提取[J]. 徐光柱,胡松,陳莎,陳鵬,周軍,雷幫軍.  中國(guó)圖象圖形學(xué)報(bào). 2019(09)
[2]Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting[J]. Chaohui CHEN,Xiang LI,Hongrang HE,Jie XIANG,Shenjia MA.  Science China（Earth Sciences）. 2018(04)
[3]紅外云圖上中尺度對(duì)流系統(tǒng)的自動(dòng)識(shí)別[J]. 束宇,潘益農(nóng).  南京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(03)



本文編號(hào)：3052524