用于实时、高效天气属性检测的启发式风格迁移
计算机视觉与模式识别
2026-04-16 v1
摘要
我们提出了轻量且高效的架构，用于从 RGB 图像中检测天气条件，预测天气类型（晴天、雨天、雪天、雾天）以及 11 个补充属性，如强度、可见性和地面条件，总计 53 类任务。本 work 探讨了天气条件如何表现为视觉风格的变化。我们检验了包括 Gram 矩阵、针对低层和中层的截断 ResNet-50 以及 PatchGAN 风格架构的风格启发技术，这些技术在具有注意力机制的多任务框架内进行。引入了两个系列：RTM（ResNet50-Truncated-MultiTasks）和 PMG（PatchGAN-MultiTasks-Gram），以及它们的变体。我们的贡献包括自动化 Gram 矩阵计算、将 PatchGAN 集成到监督多任务学习中的自动化，以及通过局部 Gram 实现局部风格捕获以提高空间一致性。我们还在 Creative Commons Attribution (CC-BY) 许可下发布了一个包含 503,875 张标注了 12 个天气属性的图像数据集。模型在内部测试集上的 F1 分数超过 96%，在多个外部数据集的零样本评估中超过 78%，确认了其泛化能力。具有少于 500 万参数的 PMG 架构可实时运行，占用少量内存，适用于嵌入式系统。模型的模块化设计也允许根据需要添加或移除与风格相关或天气相关的任务。
引用
@article{arxiv.2604.13947,
title = {Heuristic Style Transfer for Real-Time, Efficient Weather Attribute Detection},
author = {Hamed Ouattara and Pierre Duthon and Pascal Houssam Salmane and Frédéric Bernardin and Omar Ait Aider},
journal= {arXiv preprint arXiv:2604.13947},
year = {2026}
}
备注
32 pages, 18 figures