申请/专利权人：成都信息工程大学

申请日：2024-02-20

公开（公告）日：2024-04-23

公开（公告）号：CN117746171B

主分类号：G06V10/77

分类号：G06V10/77;G01W1/10;G06V10/82;G06V10/80;G06V10/44;G06V10/52;G06N3/0464;G06N3/045;G06N3/088;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，涉及数据处理领域，包括：建立无监督气象降尺度模型；获取训练样本，基于训练样本对无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取待降尺度的气象数据的辅助气象数据，其中，辅助气象数据的分辨率高于待降尺度的气象数据的分辨率；通过训练后的无监督气象降尺度模型基于待降尺度的气象数据及辅助气象数据，生成待降尺度的气象数据对应的降尺度的气象数据，具有提高气象降尺度效率及准确度的优点。

主权项：1.一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，包括：建立无监督气象降尺度模型；获取训练样本，基于所述训练样本对所述无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取所述待降尺度的气象数据的辅助气象数据，其中，所述辅助气象数据的分辨率高于所述待降尺度的气象数据的分辨率；通过所述训练后的无监督气象降尺度模型基于所述待降尺度的气象数据及所述辅助气象数据，生成所述待降尺度的气象数据对应的降尺度的气象数据；所述无监督气象降尺度模型至少包括上采样生成模块、下采样生成模块和下采样判别模块；所述训练样本包括样本待降尺度的气象数据及所述样本待降尺度的气象数据的样本辅助气象数据；所述基于所述训练样本对所述无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型，包括：将所述样本待降尺度的气象数据转化为样本待降尺度图片；将所述样本待降尺度的气象数据的样本辅助气象数据转化为样本辅助图片；基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练；基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行后向循环训练；所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练，包括：从所述样本待降尺度图片中截取第一样本待降尺度图片块；从所述样本辅助图片中截取所述第一样本待降尺度图片块对应的第一样本辅助图片块；通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果；对所述第一样本待降尺度图片块进行插值，得到第一插值结果，其中，所述第一插值结果的分辨率与所述降尺度结果的分辨率一致；通过所述下采样生成模块对所述第一降尺度结果进行下采样，得到第一升尺度结果，其中，所述第一升尺度结果的分辨率与所述第一样本待降尺度图片块的分辨率一致；计算所述第一样本待降尺度图片块和所述第一升尺度结果之间的前向循环一致性损失，基于所述前向循环一致性损失对所述上采样生成模块和所述下采样生成模块进行优化；计算所述第一插值结果与所述第一降尺度结果之间的插值损失，基于所述插值损失对所述上采样生成模块进行优化；将所述第一样本待降尺度图片块和所述第一升尺度结果输入至所述下采样判别模块，基于所述下采样判别模块的第一判别结果，计算第一生成损失，基于所述第一生成损失优化所述下采样生成模块和所述下采样判别模块；所述通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果，包括：所述上采样生成模块对所述第一样本待降尺度图片进行双线性插值，得到第二插值结果，其中，所述第二插值结果的分辨率与所述第一样本辅助图片块的分辨率一致；通过卷积对所述第二插值结果与所述第一样本辅助图片块进行特征提取；对提取的所述第二插值结果的特征和所述第一样本辅助图片块的特征进行融合，获取融合后的特征；所述融合后的特征经过残差、多层的卷积和注意力分配后，生成所述第一降尺度结果。

全文数据：

权利要求：

百度查询： 成都信息工程大学 一种基于对偶学习和辅助信息的无监督气象降尺度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD