PTCT：用于降水临近预报的 3D 时序卷积分块 Transformer 网络
计算机视觉与模式识别
2022-06-06 v2 多媒体
摘要
降水临近预报旨在预测短时间内的未来降雨强度，主要依赖于雷达回波序列的预测。尽管卷积神经网络（CNN）和循环神经网络（RNN）被广泛用于生成雷达回波帧，但它们分别受限于归纳偏置（即平移不变性和局部性）与串行性。近来，基于 Transformer 的方法也因 Transformer 结构的巨大潜力而受到广泛关注，但其忽略了短期依赖和自回归特性。在本文中，我们提出了一种名为带 3D 时序卷积的块化 Transformer 网络（PTCT）的 Transformer 变体，其中原始帧被分割为多个块以消除归纳偏置的约束，并采用 3D 时序卷积高效捕获短期依赖。训练后，PTCT 以自回归方式执行推理，以确保生成的雷达回波帧的质量。为验证我们的算法，我们在两个雷达回波数据集上进行了实验：广州雷达回波和 HKO-7。实验结果表明，与现有方法相比，PTCT 取得了最先进的（SOTA）性能。
引用
@article{arxiv.2112.01085,
title = {PTCT: Patches with 3D-Temporal Convolutional Transformer Network for Precipitation Nowcasting},
author = {Ziao Yang and Xiangrui Yang and Qifeng Lin},
journal= {arXiv preprint arXiv:2112.01085},
year = {2022}
}
备注
9 pages, 3 figures