扩充训练集后的验证集表现
SSIM：0.832
RMSE：0.0496

今晚有打算把这版模型在布拉万上试运行的想法

布拉万AI-VIS，刚练完就派用场了

周末打算做一下布拉万全程的AI-VIS动图看看效果如何

【闲聊娱乐】布拉万AI-VIS云图视频 发了

最近正在重做验证集的筛选方式
原本是控制太阳高度角后随机抽的，但是这种筛选方式有一种问题，10分钟一张的云图，可能前一张在训练集，后一张就在验证集。因此，对前一张云图的拟合可能同样也会“改善”后一张云图的验证表现。这就相当于训练集的训练结果对验证集有泄露，会降低验证集对模型泛化能力的检验能力，相应的检验数据也会虚高。
目前这两天重新筛选了一下验证集，以一天为单位划分验证集，即如果某张云图属于验证集，同一天的所有符合高度角范围的云图也都属于验证集。验证集的云图数量基本不变但是杜绝了上文提到的效应。训练结果显示...SSIM和RMSE表现确实变差了，SSIM降了0.09，RMSE升了0.035。这说明上述效应的确是存在的，并且之前的检验数据也的确是偏高的。
当然也不是没有好消息...就是实际泛化效果不会比布拉万的测试云图/云图视频差，毕竟布拉万的云图是完全不属于训练集的，修改验证集的筛选方式之后反而应该会改善一点。

拿吧友们做一下人力Discriminator
来猜猜以下6张里面哪两张是真VIS

公布一下85楼答案，第一张 第五张是真VIS

来讲讲最近的计划和进度
之前都是取的256*256范围，也就是四分之一多点的机动观测面积，接下来打算试试能不能炼512*512的，把整个机动观测放进去。理论上来说这会给模型添加更多的可学习内容，泛化性能可能会更好点，但是实际成效得试了才知道


训练集图像其实带着个边框...因为完全塞满了会损失一点图片细节，希望这个框不会造成啥负面影响，我的AI应该没这么笨吧

上一轮更新的训练成果好像还没放...大概长这样，SSMI刚好0.800

下一步计划是添加更多红外波段作为输入。计划中会添加Band08,09,10,11,16的波段差分，其中Band11是所有可用的波段中高云冰晶吸收最小的波段，可以改善对于稍厚高云的识别，Band08,09,10是水汽吸收波段，Band16是二氧化碳吸收波段。对这些波段取差分可以一定程度上获取云顶高度的信息，今晚试试看能不能把这些多的波段加进去如果成功，验证指标应该能再上一个档次

H8/H9机动观测区数据+CGAN这个组合的试验已经接近尾声，稍作一下总结：
目前最好的一版的验证集表现：
SSIM 0.8217
RMSE 0.0640
这个数据横向对比其他论文应该是相当不错了，SSIM方面最好的是Harder的论文中用Unet++的模型的0.86，但是那个模型缺乏夜间的泛化能力，夜晚数据放进去整张图就暗掉了，其次就是Harder论文中的CGAN，但是SSIM只有0.77，再就是Cheng论文中的0.49。排除掉缺乏夜间泛化能力的模型，我们的模型SSIM已经能排第一了。RMSE方面KMA最新一篇红波段RMSE是0.061，略优于我们的模型，其余衡量过RMSE的五六篇论文RMSE都在0.1附近，也就是说我们模型的RMSE大概能排第二，不过KMA那篇用的是圆盘图训练，其实圆盘图中边框占接近四分之一的的黑色太空面积是能拉低RMSE的，所以我们RMSE其实也是第一了（确信）
不过就具体模拟表现来说还是有不少改善空间的。目前模型对VIS的纹理的模拟已经算是很到位了，低云，积云线的模拟大部分情况下也不错，主要的问题在于较厚卷云覆盖的区域模拟效果较差，比如CDO/雨带边缘区域很多时候难以模拟出VIS的那种暗区，看不出雨带的具体结构。

这两天做了一个很大胆的尝试，现在我们把太阳高度角也当做一个波段输入，由于有了太阳高度角的信息，现在我们可以把白天任何时间的图片都喂给模型去训练，让它自己参悟太阳高度角和VIS图像亮度与光影的关系。这相当于将我们的训练集扩大了10倍，会明显抑制过拟合的发生，让有效的训练轮次大大增加。
稍微透露一下，这次的训练效果真的非常不错从验证指标上来说远超之前的结果了，不过现在还在继续训练，晚点再发图

来几张AI-VIS的最新成果
左侧是AI-VIS 右侧是真VIS

哦对了 现在验证集指标SSIM 0.87336 RMSE 0.04449，已经全面超越同行论文了