一种用于多标签天气识别的 CNN-RNN 架构
计算机视觉与模式识别
2019-04-25 v1 人工智能
摘要
天气识别在我们的日常生活和许多计算机视觉应用中起着重要作用。然而，从单幅图像中识别天气状况仍然具有挑战性，且未被充分研究。通常，大多数先前工作将天气识别视为单标签分类任务，即判断一幅图像是否属于某个特定天气类别。这种处理并不总是合适的，因为一幅图像中可能同时出现多种天气状况。为解决此问题，我们首次尝试将天气识别视为多标签分类任务，即根据所显示的天气状况为一幅图像分配多个标签。具体而言，本文提出了一种基于 CNN-RNN 的多标签分类方法。卷积神经网络（CNN）扩展了一个通道注意力模型以提取最相关的视觉特征。循环神经网络（RNN）进一步处理这些特征并挖掘天气类别间的依赖关系。最后，逐步预测天气标签。此外，我们为天气识别任务构建了两个数据集，并探索了不同天气状况之间的关系。实验结果证明了所提方法的优越性和有效性。新构建的数据集将发布于 https://github.com/wzgwzg/Multi-Label-Weather-Recognition。
引用
@article{arxiv.1904.10709,
title = {A CNN-RNN Architecture for Multi-Label Weather Recognition},
author = {Bin Zhao and Xuelong Li and Xiaoqiang Lu and Zhigang Wang},
journal= {arXiv preprint arXiv:1904.10709},
year = {2019}
}
备注
One weather recognition dataset is constructed