目的跨域少样本学习的主要挑战在于,很难将源域的知识推广到未知的目标域中。最近的一些少样本学习模型试图通过在元训练过程中诱导图像多样化来解决这一问题。然而,其中一些模拟未知领域任务的方法效果有限,因为它们不能有效地模拟领...目的跨域少样本学习的主要挑战在于,很难将源域的知识推广到未知的目标域中。最近的一些少样本学习模型试图通过在元训练过程中诱导图像多样化来解决这一问题。然而,其中一些模拟未知领域任务的方法效果有限,因为它们不能有效地模拟领域偏移,其生成的内容变化范围狭窄,难以从域偏移中学习到有效的域不变知识。为了提升少样本模型的跨域泛化能力,提出了一个基于不确定性增强的域感知网络(uncertainty enhancement based domain-aware network,UEDA)。方法基于不确定性增强的域感知框架从特征通道视角探索和提取其中可用于缓解领域偏移的关键知识。首先提出一个不确定性特征增强方法,将特征的充分统计定值定义为服从高斯分布的概率表示,以源域充分统计量为分布中心建模不确定性分布。随后,从不确定性分布中生成有别于加性扰动的挑战性特征,从而挖掘不同域之间的共性知识;其次,提出了基于不确定性增强的域感知方法,将源特征和生成特征视为来自不同领域的信息,利用域鉴别器计算特征通道与领域信息的相关性,从而帮助模型挖掘领域之间的潜在关联并鉴别出其中的域因果信息用于学习。结果实验使用Mini-ImageNet、CUB(caltech-ucsd birds)、Plantae、EuroSAT(land use and land cover classification with sentinel-2)和Cropdiseases共5个数据集评估所提出方法的跨域泛化表现。实验遵从纯源域泛化,其中在图神经网络(graph neural network,GNN)分类框架下,以Mini-ImageNet数据集作为源域,模型在后4个目标域的1-shot和5-shot设置下其平均精度分别为59.50%、47.48%、79.04%和75.08%,表明了所提出方法能有效提高基于源域的跨域图像分类能力。结论本文所提出的基于不确定性增强的域感知网络框架使得模型在训练阶段适应各种域偏移,并从中学习到有效的可泛化知识,从而提高在少样本条件下的跨域图像分类能力。展开更多
为了提高雾与能见度的预报水平,对业务上常用的两种能见度诊断方案,即Stoelinga and Warner(SW)方案与Forecast Systems Laboratory(FSL)方案的改进进行预报试验,SW方案基于Gultepe方案考虑了液态水粒子数浓度对能见度的影响,FSL改进方...为了提高雾与能见度的预报水平,对业务上常用的两种能见度诊断方案,即Stoelinga and Warner(SW)方案与Forecast Systems Laboratory(FSL)方案的改进进行预报试验,SW方案基于Gultepe方案考虑了液态水粒子数浓度对能见度的影响,FSL改进方案中利用了递减平均法对公式中用到的温度与露点温度进行订正,并用其重新计算公式中的相对湿度。基于山东省气象科学研究所逐时更新循环(hourly update cycle,HUC)业务模式输出结果,从2015—2016年选取10次雾天气过程,并详细分析了2015年11月13—14日这次雾天气过程的预报结果,比较了改进前后各方案对雾与能见度的预报效果,结果显示:在模式预报的雨水含量占总液态含水量比例较大的预报时效,改进后的SW方案对雾与能见度预报效果优于原始方案,在模式预报液态含水量接近0的预报时效,改进前后的SW方案对雾与能见度的预报效果相当;利用订正的温度与露点温度重新计算相对湿度,其平均绝对误差(mean absolute error,MAE)降低明显的预报时段,改进后的FSL方案对雾与能见度的预报效果大大提升。将两种改进后的方案相融合并进行预报试验,结果显示,综合对能见度与雾的预报效果,Combined Visibility(CVIS)方案要优于其他两种改进方案。展开更多
为了适应未来嵌入式快速发展的要求,提出了一种基于Xilinx FPGA利用片上可编程系统(system on a program-mable chip,SOPC)技术实现大量数据的CF卡(compact flash)存储以及使用轻型IP协议(light weight IP,LwIP)进行数据传输的方法。对...为了适应未来嵌入式快速发展的要求,提出了一种基于Xilinx FPGA利用片上可编程系统(system on a program-mable chip,SOPC)技术实现大量数据的CF卡(compact flash)存储以及使用轻型IP协议(light weight IP,LwIP)进行数据传输的方法。对整个系统的硬件结构,Xilinx SOPC开发工具、流程和采用的关键技术进行了介绍。在此基础上应用Xilinx的嵌入式开发套件,以Xilinx公司提供的知识产权(intellectual property,IP)核为基础,搭建了一个SOPC平台。通过将CF卡、LwIP协议应用于软件设计中,实现了驱动程序和应用程序的开发,并通过与上位机进行通信测试,测试结果表明了该设计的可行性和有效性。展开更多
文摘目的跨域少样本学习的主要挑战在于,很难将源域的知识推广到未知的目标域中。最近的一些少样本学习模型试图通过在元训练过程中诱导图像多样化来解决这一问题。然而,其中一些模拟未知领域任务的方法效果有限,因为它们不能有效地模拟领域偏移,其生成的内容变化范围狭窄,难以从域偏移中学习到有效的域不变知识。为了提升少样本模型的跨域泛化能力,提出了一个基于不确定性增强的域感知网络(uncertainty enhancement based domain-aware network,UEDA)。方法基于不确定性增强的域感知框架从特征通道视角探索和提取其中可用于缓解领域偏移的关键知识。首先提出一个不确定性特征增强方法,将特征的充分统计定值定义为服从高斯分布的概率表示,以源域充分统计量为分布中心建模不确定性分布。随后,从不确定性分布中生成有别于加性扰动的挑战性特征,从而挖掘不同域之间的共性知识;其次,提出了基于不确定性增强的域感知方法,将源特征和生成特征视为来自不同领域的信息,利用域鉴别器计算特征通道与领域信息的相关性,从而帮助模型挖掘领域之间的潜在关联并鉴别出其中的域因果信息用于学习。结果实验使用Mini-ImageNet、CUB(caltech-ucsd birds)、Plantae、EuroSAT(land use and land cover classification with sentinel-2)和Cropdiseases共5个数据集评估所提出方法的跨域泛化表现。实验遵从纯源域泛化,其中在图神经网络(graph neural network,GNN)分类框架下,以Mini-ImageNet数据集作为源域,模型在后4个目标域的1-shot和5-shot设置下其平均精度分别为59.50%、47.48%、79.04%和75.08%,表明了所提出方法能有效提高基于源域的跨域图像分类能力。结论本文所提出的基于不确定性增强的域感知网络框架使得模型在训练阶段适应各种域偏移,并从中学习到有效的可泛化知识,从而提高在少样本条件下的跨域图像分类能力。
文摘为了提高雾与能见度的预报水平,对业务上常用的两种能见度诊断方案,即Stoelinga and Warner(SW)方案与Forecast Systems Laboratory(FSL)方案的改进进行预报试验,SW方案基于Gultepe方案考虑了液态水粒子数浓度对能见度的影响,FSL改进方案中利用了递减平均法对公式中用到的温度与露点温度进行订正,并用其重新计算公式中的相对湿度。基于山东省气象科学研究所逐时更新循环(hourly update cycle,HUC)业务模式输出结果,从2015—2016年选取10次雾天气过程,并详细分析了2015年11月13—14日这次雾天气过程的预报结果,比较了改进前后各方案对雾与能见度的预报效果,结果显示:在模式预报的雨水含量占总液态含水量比例较大的预报时效,改进后的SW方案对雾与能见度预报效果优于原始方案,在模式预报液态含水量接近0的预报时效,改进前后的SW方案对雾与能见度的预报效果相当;利用订正的温度与露点温度重新计算相对湿度,其平均绝对误差(mean absolute error,MAE)降低明显的预报时段,改进后的FSL方案对雾与能见度的预报效果大大提升。将两种改进后的方案相融合并进行预报试验,结果显示,综合对能见度与雾的预报效果,Combined Visibility(CVIS)方案要优于其他两种改进方案。
