Réseau neuronal profond pour la prévision de la température de la surface de la mer : références

Tableau des liens

• Résumé et introduction
• Arrière-plan
• Méthode proposée
• Résultats expérimentaux et analyse
• Conclusions et travaux futurs
• Les références

LES RÉFÉRENCES

[1] AF Shchepetkin et JC McWilliams, « Le système de modélisation océanique régional (ROMS) : un modèle océanique divisé-explicite, à surface libre, à topographie suivant les coordonnées », Ocean Modeling, vol. 9, non. 4, pages 347 à 404, 2005.

[2] R. Jacob, C. Schafer, I. Foster et al. « Conception informatique et performances du modèle d'atmosphère océanique rapide », Actes de la Conférence internationale sur la science informatique. 2001, p. 175-184.

[3] C. Chen, RC Beardsley, G. Cowles et al. « Un modèle océanique côtier à grille non structurée et à volumes finis : système FVCOM », Océanographie, vol. 19, non. 1, p. 78-89, 2015.

[4] EP Chassignet, HE Hurlburt, OM Smedstad, et al. «Le système d'assimilation de données HYCOM (modèle océanique coordonné hybride)», Journal of Marine Systems, vol. 65, non. 1, p. 60-83, 2007.

[5] Y. LeCun, Y. Bengio, G. Hinton. «Apprentissage profond», Nature, vol. 521, p. 436-444, 2015.

[6] PC Bermant, MM Bronstein, RJ Wood et al. « Techniques d'apprentissage automatique approfondi pour la détection et la classification de la bioacoustique des cachalots », Rapports scientifiques, vol. 9, non. 1, p. 1 à 10, 2019.

[7] V. Allken V, NO Handegard, S. Rosen et al. « Identification des espèces de poissons à l'aide d'un réseau neuronal convolutionnel formé sur des données synthétiques », ICES Journal of Marine Science, vol. 76, non. 1, pages 342 à 349, 2019.

[8] E. Lima, X. Sun, J. Dong et al. «Apprendre et transférer les connaissances des réseaux neuronaux convolutifs vers la reconnaissance du front de mer», IEEE Geoscience and Remote Sensing Letters, vol. 14, non. 3, pages 354 à 358, 2017.

[9] L. Xu, X. Wang, X. Wang, « Détection des épaves basée sur un réseau de génération profonde et apprentissage par transfert avec une petite quantité d'images sonar », Conférence IEEE sur les systèmes de contrôle et d'apprentissage basés sur les données (DDCLS), 2019, pp. 638-643.

[10] Y. Ren, X. Li, W. Zhang, « Un modèle d'apprentissage profond basé sur les données pour la prévision hebdomadaire de la concentration de glace de mer dans le Pan-Arctique pendant la saison de fonte », IEEE Transactions on Geoscience and Remote Sensing, vol. 60, p. 1-19, 2022.

[11] M. Reichstein, G. Camps-Valls, B. Stevens, et al. «Apprentissage profond et compréhension des processus pour la science du système terrestre basée sur les données», Nature, vol. 566, non. 7743, p. 195-204, 2019.

[12] ND Brenowitz, CS Bretherton. «Validation pronostique d'un paramétrage physique unifié d'un réseau neuronal», Geophysical Research Letters, vol. 45, non. 12, pages 6289 à 6298, 2018.

[13] O. Pannekoucke et R. Fablet. «PDE-NetGen 1.0 : des représentations symboliques d'équations différentielles partielles (PDE) de processus physiques aux représentations de réseaux neuronaux entraînables», Geoscientific Model Development, vol. 13, non. 7, pages 3373 à 3382, 2020.

[14] K. Patil, MC Deo, M. Ravichandran. « Prédiction de la température de la surface de la mer en combinant des techniques numériques et neuronales », Journal of Atmospheric and Oceanic Technology, vol. 33, non. 8, pages 1715-1726, 2016.

[15] YG Ham, JH Kim, JJ Luo. « Apprentissage profond pour les prévisions ENSO pluriannuelles », Nature, vol. 573, non. 7775, p. 568-572, 2019.

[16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, et al. « Filets contradictoires génératifs », Actes des progrès des systèmes de traitement de l'information neuronale (NeurIPS), 2014.

[17] L. Yang, D. Zhang, GE Karniadakis. «Réseaux contradictoires génératifs fondés sur la physique pour les équations différentielles stochastiques», SIAM Journal on Scientific Computing, vol. 42, non. 1, pages A292 à A317, 2020.

[18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa et al. « GAN basés sur la physique pour la visualisation des inondations côtières », préimpression arXiv arXiv :2010.08103, 2020.

[19] Q. Zheng, L. Zeng, GE Karniadakis, « Inpainting sémantique informé par la physique : Application à la modélisation géostatistique », Journal of Computational Physics, vol. 419, p. 1 à 10, 2020.

[20] X. Shi, Z. Chen, H. Wang et al. « Réseau LSTM convolutif : une approche d'apprentissage automatique pour la prévision immédiate des précipitations », Actes des avancées dans les systèmes de traitement de l'information neuronale (NeurIPS), 2015.

[21] J. Gu, Z. Wang, J. Kuen et al. «Progrès récents dans les réseaux de neurones convolutifs», Pattern Recognition, pp. 354-377, 2018.

[22] H. Ge, Z. Yan, W. Yu et al. «Un réseau LSTM convolutif basé sur un mécanisme d'attention pour la reconnaissance d'actions vidéo», Multimedia Tools and Applications', vol. 78, non. 14, pages 20533 à 20556, 2019.

[23] W. Che et S. Peng, « Réseaux LSTM convolutifs et vidéo RVB-D pour la reconnaissance du mouvement humain », Actes de la conférence IEEE sur les technologies de l'information et l'ingénierie mécatronique (ITOEC), 2018, pp.

[24] ID Lins, M. Araujo et al. « Prédiction de la température de la surface de la mer dans l'Atlantique tropical par des machines à vecteurs de support », Computational Statistics and Data Analysis, vol. 61, p. 187-198, 2013.

[25] Patil K, Deo M C. « Prédiction à l'échelle du bassin de la température de surface de la mer avec des réseaux de neurones artificiels », Journal of Atmospheric and Oceanic Technology, vol. 35, non. 7, pages 1441 à 1455, 2018.

[26] Q. Zhang, H. Wang, J. Dong et al. «Prédiction de la température de la surface de la mer à l'aide d'une mémoire à long terme», IEEE Geoscience and Remote Sensing Letters, vol. 14, non. 10, pages 1745-1749, 2017.

[27] Y. Yang, J. Dong, X. Sun X et al. « Un modèle CFCC-LSTM pour la prévision de la température de surface de la mer », IEEE Geoscience and Remote Sensing Letters, vol. 15, non. 2, p. 207-211, 2017.

[28] K. Patil, MC Deo, « Prédiction de la température quotidienne de la surface de la mer à l'aide de réseaux neuronaux efficaces », Ocean Dynamics, vol. 67, non. 3, p. 357-368, 2017.

[29] S. Ouala, C. Herzet, R. Fablet, « Prédiction et reconstruction de la température de la surface de la mer à l'aide de représentations de réseaux neuronaux au niveau des patchs », Actes du Symposium international de géoscience et de télédétection de l'IEEE, 2018, pp.

[30] C. Shorten, TM Khoshgoftaar, « Une enquête sur l'augmentation des données d'image pour l'apprentissage en profondeur », Journal of Big Data, vol. 6, non. 1, p. 1 à 48, 2017.

[31] H. Bagherinezhad, M. Horton, M. Rastegari, et al. « Affinage d'étiquettes : améliorer la classification Imagenet grâce à la progression des étiquettes », préimpression arXiv arXiv : 1805.02641, 2018.

[32] K. Chatfield, K. Simonyan, A. Vedaldi et al. « Le retour du diable dans les détails : plonger profondément dans les réseaux convolutifs », Actes de la British Machine Vision Conference (BMVC), 2014.

[33] A. Jurio, M. Pagola, M. Galar, et al. « Une étude comparative de différents espaces colorimétriques dans la segmentation d'images basée sur le clustering », Actes de la Conférence internationale sur le traitement de l'information et la gestion de l'incertitude dans les systèmes basés sur la connaissance, 2010, pp. 532-541.

[34] Q. Vous, J. Luo, H. Jin et al. « Analyse robuste des sentiments des images à l'aide de réseaux profonds progressivement entraînés et transférés par domaine », Actes de la conférence AAAI sur l'intelligence artificielle, 2015, pp. 381-388.

[35] Z. Zhong, L. Zheng, G. Kang et al. «Augmentation des données par effacement aléatoire», Actes de la conférence AAAI sur l'intelligence artificielle, 2020, pp.

[36] T. DeVries, GW Taylor, « Régularisation améliorée des réseaux de neurones convolutifs avec découpe », préimpression arXiv arXiv : 1708.04552, 2017.

[37] A. Mikołajczyk, M. Grochowski, « Augmentation des données pour améliorer l'apprentissage profond dans le problème de classification d'images », Actes de l'atelier international de doctorat interdisciplinaire (IIPhDW), 2018, pp.

[38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, « Deepfool : Une méthode simple et précise pour tromper les réseaux de neurones profonds », Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 2016, pp. 2574-2582. .

[39] J. Su, DV Vargas, K. Sakurai, « Une attaque de pixel pour tromper les réseaux neuronaux profonds », IEEE Transactions on Evolutionary Computation, vol. 23, non. 5, pages 828 à 841, 2019.

[40] M. Zajac, K. Zołna, N. Rostamzadeh, et al. « Cadrage contradictoire pour la classification d'images et de vidéos », Actes de la conférence AAAI sur l'intelligence artificielle, 2019, pp. 10077-10078.

[41] S. Li, Y. Chen, Y. Peng et al. « Apprendre des fonctionnalités plus robustes grâce à la formation contradictoire », préimpression arXiv arXiv : 1804.07757, 2018.

[42] LA Gatys, AS Ecker, M. Bethge, « Un algorithme neuronal du style artistique », Journal of Vision vol. 16, non. 12, 2016.

[43] D. Ulyanov, A. Vedaldi, V. Lempitsky, « Normalisation d'instance : l'ingrédient manquant pour une stylisation rapide », préimpression arXiv arXiv : 1607.08022, 2016.

[44] P. Jackson, A. Abarghouei, S. Bonner et al. « Augmentation de style : augmentation des données via la randomisation de style », Actes de l'atelier de la Conférence internationale de l'IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR), 2019, pp.

[45] J. Tobin, R. Fong, A. Ray et coll. « Randomisation de domaine pour transférer des réseaux neuronaux profonds de la simulation au monde réel », Actes de la Conférence internationale de l'IEEE sur les robots et systèmes intelligents (IROS), 2017, pp. 23-30.

[46] C. Summers et M. Dinneen, « Amélioration de l'augmentation des données à exemples mixtes », Actes de la conférence d'hiver de l'IEEE sur les applications de la vision par ordinateur (WACV), 2019, pp.

[47] D. Liang, F. Yang, T. Zhang et al. « Comprendre les méthodes de formation Mixup », IEEE Access, vol. 6, pages 58774 à 58783, 2018.

[48] R. Takahashi, T. Matsubara, K. Uehara, « Augmentation utilisant le recadrage et le patch d'images aléatoires pour les CNN profonds », IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, non. 9, p. 2917-2931, 2019.

[49] T. Konno et M. Iwazume, « Cerise sur le gâteau : une méthode post-apprentissage simple et rapide que vous pouvez essayer après un apprentissage en profondeur », préimpression arXiv arXiv : 1807.06540, 2018.

[50] T. DeVries et G. Taylor, « Augmentation des ensembles de données dans l'espace des fonctionnalités », préimpression arXiv arXiv : 1702.05538, 2017.

[51] F. Moreno-Barea, F. Strazzera, J. Jerez et al. « Schéma d'ajustement du bruit avant pour l'augmentation des données », Actes de la série de symposiums IEEE sur l'intelligence informatique (SSCI), 2018, pp. 728-734.

[52] M. Frid-Adar, D. Idit, E. Klang, et al. « Augmentation d'images médicales synthétiques basées sur le GAN pour augmenter les performances du CNN dans la classification des lésions hépatiques », Neurocomputing, vol. 321, p. 321-331, 2018.

[53] J. Zhu, Y. Shen, D. Zhao et al. « Inversion GAN dans le domaine pour l'édition d'images réelles », Actes de la Conférence européenne sur la vision par ordinateur (ECCV), 2020, pp.

[54] Simonyan K, Zisserman A. « Réseaux convolutifs très profonds pour la reconnaissance d'images à grande échelle », Actes de la Conférence internationale sur les représentations d'apprentissage (ICLR), 2015, pp. 1-14.

[55] Données GHRSST, https://www.ghrsst.org (consulté le 3 juillet 2022)

[56] Données HYCOM, https://www.hycom.org (consulté le 3 juillet 2022)

[57] Zhu JY, Krahenb¨uhl P, Shechtman E, et al. « Manipulation visuelle générative sur la variété naturelle des images », Actes de la Conférence européenne sur la vision par ordinateur (ECCV), 2016, pp. 597-613.

[58] A. Larsen, S. Sønderby, H. Larochelle et coll. « Encodage automatique au-delà des pixels à l'aide d'une métrique de similarité apprise », Actes de la Conférence internationale sur l'apprentissage automatique (ICML), 2016, pp. 1558-1566.