针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像...针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。展开更多
基于高分辨率快速更新无缝隙融合集成预报RISE系统(Rapid-refresh Integrated Seamless Ensemble system),采用华北3 km分辨率快速循环更新的中尺度数值模式CMA-BJ、欧洲中心0.125°分辨率全球数值模式ECMWF、常规自动站和冬奥赛道...基于高分辨率快速更新无缝隙融合集成预报RISE系统(Rapid-refresh Integrated Seamless Ensemble system),采用华北3 km分辨率快速循环更新的中尺度数值模式CMA-BJ、欧洲中心0.125°分辨率全球数值模式ECMWF、常规自动站和冬奥赛道加密自动站逐时观测资料,以北京冬奥会复杂山地为研究区域,对比分析了不同模式背景场对100 m网格分辨率的地面2 m温度和10 m风场融合分析场和1~24 h逐小时间隔预报准确性的影响。对比试验结果表明:(1)采用区域模式和全球模式的预报数据作为RISE系统背景场,均可有效形成复杂山地百米级精细化融合产品,但不同模式背景场对不同气象要素分析和预报性能的影响存在明显差异;(2)对于温度分析场,以CAM-BJ和ECMWF模式的预报数据为背景场的RISE温度分析场空间分布基本一致,分析平均绝对误差(MAE)均小于0.2℃;(3)对于风场分析场,采用高分辨率区域模式比粗分辨率全球模式更能提升RISE高精度风场融合产品精细化水平;(4)对于温度预报,以ECMWF模式的预报数据为背景场的RISE格点融合预报性能显著优于CMA-BJ模式的预报数据为背景场,冬奥高山站和所有站平均预报MAE分别减小10.5%和7.0%;(5)对于风场预报,以CAM-BJ和ECMWF模式的预报数据为背景场的RISE冬奥高山站临近1~6 h风速预报MAE分别为1.42 m s^(-1)和1.30 m s^(-1),7~24 h预报MAE则分别为1.52 m s^(-1)和1.54 m s^(-1),而RISE区域内所有站1~24 h平均MAE分别为1.38 m s^(-1)和1.24 m s^(-1)。研究成果有助于深入理解模式背景场在百米级融合预报中的作用,对提升复杂地形下天气预报准确性有重要的科学意义和业务应用价值。展开更多
文摘针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。
文摘基于高分辨率快速更新无缝隙融合集成预报RISE系统(Rapid-refresh Integrated Seamless Ensemble system),采用华北3 km分辨率快速循环更新的中尺度数值模式CMA-BJ、欧洲中心0.125°分辨率全球数值模式ECMWF、常规自动站和冬奥赛道加密自动站逐时观测资料,以北京冬奥会复杂山地为研究区域,对比分析了不同模式背景场对100 m网格分辨率的地面2 m温度和10 m风场融合分析场和1~24 h逐小时间隔预报准确性的影响。对比试验结果表明:(1)采用区域模式和全球模式的预报数据作为RISE系统背景场,均可有效形成复杂山地百米级精细化融合产品,但不同模式背景场对不同气象要素分析和预报性能的影响存在明显差异;(2)对于温度分析场,以CAM-BJ和ECMWF模式的预报数据为背景场的RISE温度分析场空间分布基本一致,分析平均绝对误差(MAE)均小于0.2℃;(3)对于风场分析场,采用高分辨率区域模式比粗分辨率全球模式更能提升RISE高精度风场融合产品精细化水平;(4)对于温度预报,以ECMWF模式的预报数据为背景场的RISE格点融合预报性能显著优于CMA-BJ模式的预报数据为背景场,冬奥高山站和所有站平均预报MAE分别减小10.5%和7.0%;(5)对于风场预报,以CAM-BJ和ECMWF模式的预报数据为背景场的RISE冬奥高山站临近1~6 h风速预报MAE分别为1.42 m s^(-1)和1.30 m s^(-1),7~24 h预报MAE则分别为1.52 m s^(-1)和1.54 m s^(-1),而RISE区域内所有站1~24 h平均MAE分别为1.38 m s^(-1)和1.24 m s^(-1)。研究成果有助于深入理解模式背景场在百米级融合预报中的作用,对提升复杂地形下天气预报准确性有重要的科学意义和业务应用价值。
