文献类型：期刊文章

作　　者：陈思玮[1,2] 贾克斌[1,2] 王聪聪[1,2] 刘钧[3]

Chen Siwei;Jia Kebin;Wang Congcong;Liu Jun(Faculty of Information Technology, Beijing University of Technology, Beijing 100124)

机构地区：[1]北京工业大学信息学部计算智能与智能系统北京市重点实验室,北京100124 [2]北京先进信息网络实验室,北京100124 [3]华云升达(北京)气象科技有限责任公司,北京100081

出　　处：《高技术通讯》

基　　金：国家自然科学基金面上(61672064);北京市自然科学基金面上(4172001);先进信息网络北京实验室(PXM2019014204500029);华云升达气象科技有限责任公司委托(20181201)资助项目。

年　　份：2020

卷　　号：30

期　　号：10

起止页码：1010-1017

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、EI、IC、JST、SCOPUS、ZGKJHX、核心刊

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。

关 键 词：多天气分类  深度学习  卷积神经网络(CNN)  DenseNet  迁移学习  

分 类 号：TP3[计算机类]