[发明专利]图像预测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种图像预测方法、装置、计算机设备和存储介质。所述方法包括：获取历史图像序列；所述历史图像序列中包括多帧按照时间顺序排列的历史图像；按照预设规则对所述历史图像序列进行拆分，得到多个历史图像子序列；将多个所述历史图像子序列分别输入到预先训练的多个预测模型中，得到各所述预测模型输出的候选图像序列；根据多个所述候选图像序列得到预测的目标图像序列。通过本发明实施例，降低了预测模型的训练难度和图像的预测难度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像预测方法、装置、计算机设备和存储介质。

背景技术

随着科技的发展，人工智能(Artificial Intelligence，AI)应用到了各个领域。其中，人工智能应用在气象领域进行天气预测，使人们能够及时、准确掌握天气的现状和变化趋势，为人们的工作和生活带来了极大地便利。

相关技术中，根据雷达探测到的一段时间的气象图像预测出未来一段时间的气象图像。由于得到的是长序列图像，因此需要训练一个可以根据长序列图像进行预测的循环神经网络(Recurrent Neural Network，RNN)。

但是，由于循环神经网络在训练中可能会出现梯度消失问题而导致训练失败，因此根据长序列图像进行天气预测较难实现。

发明内容

基于此，有必要针对上述技术问题，提供一种能够根据长序列图像进行天气预测的图像预测方法、装置、计算机设备和存储介质。

第一方面，本发明实施例提供了一种图像预测方法，该方法包括：

获取历史图像序列；历史图像序列中包括多帧按照时间顺序排列的历史图像；

按照预设规则对历史图像序列进行拆分，得到多个历史图像子序列；

将多个历史图像子序列分别输入到预先训练的多个预测模型中，得到各预测模型输出的候选图像序列；

根据多个候选图像序列得到预测的目标图像序列。

在其中一个实施例中，在上述将多个历史图像子序列分别输入到预先训练的多个预测模型中，得到各预测模型输出的候选图像序列之前，该方法还包括：

获取训练图像集合；训练图像集合中包括多个训练图像序列，各训练图像序列中前m1帧训练图像组成的第一训练图像子序列作为模型输入，后m2帧训练图像组成的第二训练图像子序列作为监督；

基于训练图像集合进行深度学习模型的训练，得到多个预测模型。

在其中一个实施例中，上述基于训练图像集合进行深度学习模型的训练，得到多个预测模型，包括：

针对各预测模型，以第一训练图像子序列作为输入，以第二训练图像子序列作为监督进行预测模型的训练；

以预测模型输出的预测图像序列作为输入，以第二训练图像子序列作为监督进行鉴别器的训练；

根据鉴别器输出的鉴别标签和第二训练图像子序列对预测模型进行优化；

当预测模型输出的预测图像序列与第二训练图像子序列之间的第一差异值小于第一预设阈值时，预测模型训练结束。

在其中一个实施例中，上述以预测模型输出的预测图像序列作为输入，以第二训练图像子序列作为监督进行鉴别器的训练，包括：

将预测图像序列输入至鉴别器中，得到鉴别器输出的鉴别标签；

当鉴别标签与第二训练图像子序列对应的标签之间的第二差异值小于第二预设阈值时，鉴别器训练结束。

在其中一个实施例中，上述根据鉴别器输出的鉴别标签和第二训练图像子序列对预测模型进行优化，包括：