融入时空关系联合判别学习的地基云图序列分类方法研究

Ground-based cloud observation technology is of great significance for climate research, forecasting, national economy, social services etc. and as such cloud classification is an important technique. This project studies the issue of classification based on cloud sequences. We focus on the following three aspects. First, we propose an ensemble tensor method to extract the local features, which can reserve the useful spatio-temporal information for classification. Second, we study the joint discriminative learning method for feature representation. We improve the ability of feature representation by simultaneously learning discriminative coding vectors and dictionary. Finally, we study the probability consistency for pooling stage, which is robust to the environmental change. This project will enhance the accuracy of ground-based cloud sequence classification. It also provides a novel method for image, video and dynamic texture classification.

地基云观测技术对气候研究，天气预报，国民经济以及社会服务等工作具有重要的意义。地基云图分类技术是自动云观测的核心，本项目针对地基云图序列的分类问题开展研究。本项目拟在以下三个方面开展研究：首先，研究集合张量的局部特征提取方法，使得到的特征保留对分类有益的时空信息；其次，研究基于联合判别学习的特征表示方法，通过同时学习具有判别性的编码向量和词典，提高特征的表示能力；最后，研究基于概率一致性的特征聚合方法，使其在聚合过程中对环境变化鲁棒。本项目的研究可以提高地基云图序列分类方法的实用性，同时也为图像、视频、动态纹理分类提供新的研究方法。

云观测技术在诸多领域得到应用，例如：光遥感应用、天气预报、降水量估计以及深空气候观察。云状自动分类是云观测的重要研究内容，但由于在不同大气条件下，云外观千变万化，因而这项工作具有极大的挑战，也一直处于欠发展状态。本项目针对这一问题，经过三年的研究，提出多个创新性的技术方法。在判别特征学习方面，提出基于深度多模态融合的地基云分类、基于联合深度融合的地基云分类；在特征聚合方面，提出基于显著对偶激活聚合的地基云图识别方法、基于多模态生成式对抗网络的地基云分类方法；在时空信息约束方面，提出部分渐变正则约束方法、基于增广样本和多流层的学习方法。以上三方面提出的所有算法均在实际数据集上进行验证，实验结果超过同期先进算法。本项目发表论文24篇，其中SCI检索18篇，申请国家发明专利14项。培养硕士研究生4名。