深度学习在多天气分类算法中的研究与应用

• 作者: 刘钧 王聪聪 贾克斌 陈思玮
• 来源期刊: 高技术通讯
• 关键词: 多天气分类 深度学习 卷积神经网络(CNN) DenseNet 迁移学习
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 计算机与通信技术
• 页码范围: 1010-1017
• 页数: 8页
• 语种: 中文
• DOI: 10.3772/j.issn.1002-0470.2020.10.003

摘要

针对目前多天气识别分类问题,提出了一种基于深度学习和计算机视觉的天气现象自动分类算法.采集并建立了一个包括雾霾、沙尘、雨、雪、霜、露6类天气的适用于任意场景的多天气现象数据集,改善了目前已见报数据集规模小、种类单一、只面向特定场景的情况;同时采用密集连接和池化均衡的结构搭建深度卷积神经网络(CNN)模型,训练并挖掘天气数据的特征与内在规律,用深度学习方法实现天气现象的自动分类.实验结果表明:相比传统计算机视觉算法,该算法解决了严重依靠特征提取、适用场景单一问题;且比大多数深度网络模型参数更少、识别准确性更高,算法泛化性能大幅提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘钧		2	3	1.0	1.0
2	陈思玮		1	0	0.0	0.0
3	贾克斌		1	0	0.0	0.0
4	王聪聪		1	0	0.0	0.0