Tropical Cyclone Intensity Estimation Using Two-Branch Convolutional Neural Network From Infrared

论文题目：Tropical Cyclone Intensity Estimation Using Two-Branch Convolutional Neural Network From Infrared and Water Vapor Images

目的：利用红外图像和水汽图像建立一个双分支网络，用来预测热气旋强度。
采用的数据是：西北太平洋的台风（2013-2017年）

论文思想：
认为图像的范围大小影响预测效果，因而做了对比试验，三种不同大小的图像分别做实验，得出60x60效果最佳
消融实验：是否考虑时间，是否考虑WV注意力，是否考虑回归系数

后面的内容：（没看）
GPM Precipitation Product降雨数据用来分析降雨与预测误差的关系（数据从14年开始有的，探究他们的关系用的是2017年的数据）

TCIENet模型的关键点如下:
1)整个模型由两个未共享的CNN分支组成。每个分支分别估计输入图像的强度;
2)每个分支包括特征提取和WV注意模块，实现了WV通道图像与红外通道图像的融合;
3)利用时间信息，整个模型的输入是一个图像对，由两个连续时间的图像组成。

TCIENet的架构如图3所示。
主要包括三个模块:1)特征提取;2) WV注意模型;3)强度回归。
yt是第t次图像的估计强度，yBT是当前图像的实际风速。
模块A为特征提取部分，模块B为注意力模型部分，模块C为强度回归部分。

整个TCIENet架构如下图：

各个模块：

A. Two CNN Branches
理由：在TC期间，风速的变化是连续的，两个连续时间图像之间的差异很小。因此，我们构造了两个CNN分支来同时估计两个连续时间图像的强度。 得到两个估计的强度值。

B.WV注意力模块通过Hadamard product算子将两个提取特征（WV和IR）的第二层池化层相连接。

C.softmax期望值细化