基于卷积门循环单元和气象雷达图像的临近降水预报

现有的深度神经网络预测模型主要是通过学习单一高度下的雷达回波图像序列的特征预测未来时间段回波序列。然而,这种模型并不能直接预测目标站点未来一段时间内的降水量。鉴于此,提出了一种基于卷积门循环单元(Convolutional Gated Recurrent Unit,ConvGRU)神经网络的临近降水预报模型。对目标站点不同高度的雷达回波图像做卷积,同一高度的卷积图像通过GRU(Gated Recurrent Unit)学习云团运动过程中的时序特征,将不同高度时序图像的学习特征聚合到全连接层中进行训练,输出目标站点未来1h~2h的降水量。实验分析表明,该模型在未来1h~2h的降水预报中取得了较好的预报精度。

神奇的敲钟声

一天，我去小枫家玩，看见小枫家大厅摆着一个非常好看的大钟。 我好奇地问：“小枫，你家什么时候买了这么好看的大钟？”“前两天我爸爸买的，这钟可神奇了。”小枫得意地说。“哦!怎么个神奇法？”我又好奇地问。

残差分离卷积神经网络的图像去运动模糊技术

针对目前图像去运动模糊过程中的模糊核估计过程复杂、图像复原质量低等问题,提出一种基于生成对抗网络的去运动模糊算法。算法建立在基本生成对抗网络上,采用残差可分离卷积模块提取特征,去除批量规范化层,并添加全局平均池化,优化了网络。实验结果表明,所提算法能有效地去除真实场景下运动模糊图像中存在的运动模糊,对比当前最新去运动模糊模型,所提模型在模型缩小了4.7倍的同时,测试阶段的峰值信噪比指标也有所提升。