摘要：当前的短临降水预报方法大多是基于雷达回波外推,没有充分考虑其他气象要素对降水生消演变的密切影响,从而限制了其预报的准确性。为解决此问题,基于风云四号B星数据,制作了包含四种背景气象要素、以定量降水估计为预报对象的短时临近降水预报数据集,提出了短临降水预报模型——MFPNM。以TransUNet为骨干,设计了并行双编码器分别提取预报对象和背景气象数据的高维时空特征;构造了内容编码模块将背景数据的空间特征作为预报对象高维特征向量的可学习位置编码;以已有的Transformer模块构建序列数据高维特征间的全局关系,以实现更准确的序列预测。MFPNM在风云-4B数据集和开源数据集上达到了最优水平,采用的指标包括临界成功指数、虚警率、均方根误差和结构相似性等。同时通过SHAP(shapley additive explanations)技术对模型进行了可解释性分析。实验结果及可解释性分析表明,该模型具有更好的预报准确度及可靠性。

摘要：现有基于深度学习的面部表情识别模型不能有效地应对面部遮挡部分的干扰,无法准确捕捉面部未遮挡部分的特征,会导致识别准确率降低。为此,提出一种新型融合注意力机制的遮挡面部表情识别框架FER-AM(facial expression recognition framework based on attention mechanism),应用局部特征网络提取面部表情的局部关键特征,设计全局特征网络学习整个面部表情中的互补信息,采用注意力机制处理面部遮挡部分如眼镜、口罩和围巾等。在RAF-DB、AffectNet、CK+(Cohn Kanade)及FED-RO数据集进行大量实验,结果表明:FER-AM的7种表情分类性能均优于基于深度学习的代表性人脸面部表情识别模型,识别准确率达到88.1%。