基于弱监督和知识蒸馏的地基云图识别研究.pdf

基于弱监督和知识蒸馏的地基云图识别研究

摘要

通过观测云的外形特征、分布及演变，可以为气象分析提供重要依据。云状、云

量、云高是云观测中三个重要指标，有助于对气象变化进行提前预警。但是目前自动

化的云状分类和云量分割任务仍存在较大困难：一方面，由于云的种类繁多，云类间

的特征差异非常细微，还存在鱼眼图像边缘区域被挤压的情况，这导致传统特征提取

方法和卷积神经网络对于云状的细粒度特征提取能力不足，而云图数据集往往只提供

图像级的标注，所以需要借助弱监督方式对云图进行细粒度特征识别；另一方面，在

云量分割领域，深度学习方法虽然分割效果优于阈值分割等传统方法，但由于参数量

大、复杂度高，难以在气象基站进行部署，并且无法实现云量的实时分割，所以需要

一个兼具轻量化和准确度的云量分割模型。本文针对上述问题做了两方面的优化工作：

一是采用弱监督学习方法增强了云状分类的特征提取能力；二是利用知识蒸馏方法使

模型更易于部署，并实现了实时分割。具体工作内容如下：

（1）提出一个基于弱监督学习的细粒度云状分类模型FGCC（FineGrainedCloud

Classification）。该模型以骨干网络ResNet-50输出不同尺度特征图，通过对图像级标

注的特征图使用弱监督学习，筛选出对于分类预测具有高置信度的区域，这些区域在

预测概率分布中表现出对某一云类别的高概率值。然后使用图卷积网络将保留了高置

信度区域的不同尺度特征图进行特征融合，最终实现云图的细粒度分类。实验结果表

明FGCC在TCI数据集和SWIMCAT数据集上分别取得了98%和98.77%的识别准确率，

通过热图分析，FGCC能有效提取云状的细粒度特征差异，进而提高分类精度。

（2）提出一个基于知识蒸馏的轻量化云量分割模型disCloudSeg（Distillation

CloudSegmentation）。本文通过对教师模型UNet-8的网络结构进行简化，通过减少中

间阶段的跳跃连接、缩减网络层数和使用插值法替代转置卷积上采样等操作，得到一

个轻量化的学生模型disCloudSeg，然后采用知识蒸馏方法使disCloudSeg学习到教师模

型的预测能力。实验结果表明相比教师模型，disCloudSeg模型的参数量减少了78%，

预测耗时减少了42%，并且各项预测性能指标均接近教师模型，其中F1综合指数仅相

差0.72%。在保证分割精度的情况下，有效降低了对计算资源的要求，实现对云量变化

的实时观测。

关键词：地基云图；弱监督学习；知识蒸馏；云状分类；云量分割

基于弱监督和知识蒸馏的地基云图识别研究

Abstract

Byobservingtheshape,distribution,andevolutionofclouds,importantinformationcan

beprovidedforweatheranalysis.Cloudtype,cloudcover,andcloudheightarethreeimportant

indicatorsincloudobservation,whichhelptoprovideearlywarningofweatherchanges.

However,therearestillsignificantdifficultiesinautomatingthetasksofcloudtype

classificationandcloudcoversegmentation:Ontheonehand,therearemanytypesofclouds,

andthefeaturedifferencesbetweencloudclassesareverysubtle,whichcancausethe

traditionalfeatureextractionmethodsandconvo