著者:  （１）孟宇新 （２）馮高 （３）エリック・リガル （４）ラン・ドン （５）董俊宇 （６）千度 リンク一覧 概要と序文 背景 提案手法 実験結果と分析 結論と今後の課題 参考文献 参考文献 [1] AF ShchepetkinとJC McWilliams、「地域海洋モデリングシステム（ROMS）：分割明示的、自由表面、地形追従座標海洋モデル」、海洋モデリング、第9巻、第4号、pp.347-404、2005年。  [2] R. Jacob、C. Schafer、I. Foster他「高速海洋大気モデルの計算設計と性能」国際計算科学会議論文集、2001年、175～184頁。  [3] C. Chen、RC Beardsley、G. Cowles、他「非構造化グリッド有限体積沿岸海洋モデル：FVCOMシステム」、海洋学、第19巻第1号、pp.78-89、2015年。  [4] EP Chassignet、HE Hurlburt、OM Smedstad、他「HYCOM（ハイブリッド座標海洋モデル）データ同化システム」、Journal of Marine Systems、vol.65、no.1、pp.60-83、2007年。  [5] Y. LeCun、Y. Bengio、G. Hinton。「ディープラーニング」、Nature、vol.521、pp.436-444、2015年。  [6] PC Bermant、MM Bronstein、RJ Wood、他「マッコウクジラの生体音響の検出と分類のためのディープラーニング技術」、Scientific Reports、第9巻第1号、pp.1-10、2019年。  [7] V. Allken V、NO Handegard、S. Rosen、他「合成データで訓練された畳み込みニューラルネットワークを用いた魚種の識別」ICES Journal of Marine Science、vol.76、no.1、pp.342-349、2019年。  [8] E. Lima、X. Sun、J. Dong、他「畳み込みニューラルネットワークの知識の学習と海洋フロント認識への応用」IEEE Geoscience and Remote Sensing Letters、第14巻第3号、354～358頁、2017年。  [9] L. Xu、X. Wang、X. Wang、「少量のソナー画像を使用したディープジェネレーションネットワークと転移学習に基づく難破船検出」、IEEEデータ駆動型制御および学習システム会議（DDCLS）、2019年、638〜643頁。  [10] Y. Ren、X. Li、W. Zhang、「融解期の北極圏の海氷密度の週間予測のためのデータ駆動型ディープラーニングモデル」、IEEE Transactions on Geoscience and Remote Sensing、vol. 60、pp. 1–19、2022年。  [11] M. Reichstein、G. Camps-Valls、B. Stevens、他「データ駆動型地球システム科学のためのディープラーニングとプロセス理解」、Nature、vol.566、no.7743、pp.195-204、2019年。  [12] ND Brenowitz、CS Bretherton。「ニューラルネットワーク統合物理パラメータ化の予測検証」、地球物理学研究レター、第45巻、第12号、6289〜6298頁、2018年。  [13] O. PannekouckeとR. Fablet。「PDE-NetGen 1.0：物理プロセスの記号的偏微分方程式（PDE）表現から訓練可能なニューラルネットワーク表現へ」、Geoscientific Model Development、vol.13、no.7、pp.3373-3382、2020年。  [14] K. Patil、MC Deo、M. Ravichandran。「数値的手法とニューラル技術を組み合わせた海面温度の予測」大気海洋技術ジャーナル、第33巻、第8号、pp.1715-1726、2016年。  [15] YG Ham、JH Kim、JJ Luo。「複数年のENSO予測のためのディープラーニング」、Nature、vol.573、no.7775、pp.568-572、2019年。  [16] I. Goodfellow、J. Pouget-Abadie、M. Mirza、他「Generative Adversarial Nets」、Neural Information Processing Systems (NeurIPS)の進歩に関する議事録、2014年。  [17] L. Yang、D. Zhang、GE Karniadakis。「確率微分方程式のための物理学に基づいた生成的敵対的ネットワーク」、SIAM Journal on Scientific Computing、vol.42、no.1、pp.A292–A317、2020年。  [18] B. Lutjens、B. Leshchinskiy、C. Requena-Mesa、他「沿岸洪水可視化のための物理学に基づくGAN」arXivプレプリントarXiv:2010.08103、2020年。  [19] Q. Zheng、L. Zeng、GE Karniadakis、「物理学に基づくセマンティックインペインティング：地統計モデリングへの応用」、Journal of Computational Physics、vol.419、pp.1-10、2020年。  [20] X. Shi、Z. Chen、H. Wang、他「畳み込みLSTMネットワーク：降水量予測のための機械学習アプローチ」、ニューラル情報処理システムの進歩に関する論文集（NeurIPS）、2015年。  [21] J. Gu、Z. Wang、J. Kuen、他「畳み込みニューラルネットワークの最近の進歩」パターン認識、pp.354-377、2018年。  [22] H. Ge、Z. Yan、W. Yu、他「ビデオアクション認識のための注意メカニズムベースの畳み込みLSTMネットワーク」、マルチメディアツールとアプリケーション、第78巻、第14号、pp.20533-20556、2019年。  [23] W. Che、S. Peng、「畳み込みLSTMネットワークとRGB-Dビデオによる人間の動作認識」、IEEE情報技術およびメカトロニクスエンジニアリング会議(ITOEC)の議事録、2018年、951-955頁。  [24] ID Lins、M. Araujo、他「サポートベクターマシンによる熱帯大西洋の海面温度の予測」、計算統計とデータ分析、第61巻、187-198頁、2013年。  [25] Patil K、Deo M C.「人工ニューラルネットワークによる海面温度の盆地スケール予測」大気海洋技術ジャーナル、第35巻、第7号、pp.1441-1455、2018年。  [26] Q. Zhang、H. Wang、J. Dong、他「長短期記憶を用いた海面温度の予測」IEEE Geoscience and Remote Sensing Letters、第14巻、第10号、1745-1749頁、2017年。  [27] Y. Yang、J. Dong、X. Sun X、他「海面温度予測のためのCFCC-LSTMモデル」、IEEE Geoscience and Remote Sensing Letters、第15巻第2号、207～211頁、2017年。  [28] K. Patil、MC Deo、「効率的なニューラルネットワークを使用した毎日の海面温度の予測」、Ocean Dynamics、vol.67、no.3、pp.357-368、2017年。  [29] S. Ouala、C. Herzet、R. Fablet、「パッチレベルのニューラルネットワーク表現を使用した海面温度の予測と再構築」、IEEE国際地球科学およびリモートセンシングシンポジウムの議事録、2018年、5628〜5631頁。  [30] C. Shorten、TM Khoshgoftaar、「ディープラーニングのための画像データ拡張に関する調査」、Journal of Big Data、vol.6、no.1、pp.1-48、2017年。  [31] H. Bagherinezhad、M. Horton、M. Rastegari、他「ラベルリファイナリー：ラベルプログレッションによるImagenet分類の改善」arXivプレプリントarXiv：1805.02641、2018年。  [32] K. Chatfield、K. Simonyan、A. Vedaldi、他「細部に宿る悪魔の再来：畳み込みネットの深掘り」、英国マシンビジョンカンファレンス（BMVC）の議事録、2014年。  [33] A. Jurio、M. Pagola、M. Galar、他「クラスタリングベースの画像セグメンテーションにおける異なる色空間の比較研究」、知識ベースシステムにおける情報処理と不確実性の管理に関する国際会議の議事録、2010年、532-541頁。  [34] Q. You、J. Luo、H. Jin、他「段階的に訓練されドメインが転送されたディープネットワークを使用した堅牢な画像感情分析」、AAAI人工知能会議論文集、2015年、381-388頁。  [35] Z. Zhong、L. Zheng、G. Kang、他「ランダム消去データ拡張」、AAAI人工知能会議論文集、2020年、13001-13008頁。  [36] T. DeVries、GW Taylor、「Cutoutによる畳み込みニューラルネットワークの正規化の改善」arXivプレプリントarXiv:1708.04552、2017年。  [37] A. Mikołajczyk、M. Grochowski、「画像分類問題における深層学習の改善のためのデータ拡張」、国際学際博士号ワークショップ（IIPhDW）の議事録、2018年、117-122頁。  [38] SM Moosavi-Dezfooli、A. Fawzi、P. Frossard、「Deepfool：ディープニューラルネットワークを騙すシンプルで正確な方法」、IEEEコンピュータビジョンとパターン認識会議の議事録、2016年、2574-2582ページ。  [39] J. Su、DV Vargas、K. Sakurai、「ディープニューラルネットワークを騙す1ピクセル攻撃」、IEEE Transactions on Evolutionary Computation、vol.23、no.5、pp.828–841、2019年。  [40] M. Zajac、K. Zołna、N. Rostamzadeh、他「画像と動画の分類のための敵対的フレーミング」、AAAI人工知能会議論文集、2019年、10077-10078頁。  [41] S. Li、Y. Chen、Y. Peng、他「敵対的トレーニングによるより堅牢な特徴の学習」arXivプレプリントarXiv:1804.07757、2018年。  [42] LA Gatys、AS Ecker、M. Bethge、「芸術的スタイルのニューラルアルゴリズム」、Journal of Vision vol.16、no.12、2016年。  [43] D. Ulyanov、A. Vedaldi、V. Lempitsky、「インスタンス正規化：高速スタイル化に欠けている要素」arXivプレプリントarXiv：1607.08022、2016年。  [44] P. Jackson、A. Abarghouei、S. Bonner、他「スタイル拡張：スタイルのランダム化によるデータ拡張」IEEE国際コンピュータビジョンおよびパターン認識会議（CVPR）ワークショップの議事録、2019年、83〜92頁。  [45] J. Tobin、R. Fong、A. Ray、他「深層ニューラルネットワークをシミュレーションから現実世界へ転送するためのドメインランダム化」IEEE国際知能ロボット・システム会議(IROS)議事録、2017年、23～30頁。  [46] C.サマーズ、M.ディニーン、「改良型混合例データ拡張」、IEEE Winter Conference on Applications of Computer Vision (WACV)の論文集、2019年、1262-1270頁。  [47] D. Liang、F. Yang、T. Zhang、他「Mixupトレーニング方法の理解」IEEE Access、vol.6、pp.58774-58783、2018年。  [48] 高橋 龍之介、松原 剛志、上原 健一、「ランダム画像クロッピングとパッチングを用いたディープCNNの拡張」、IEEE Transactions on Circuits and Systems for Video Technology、vol.30、no.9、pp.2917–2931、2019年。  [49] 今野 徹、岩爪 正治、「ディープラーニング後に試せる簡単で素早い事後学習法」arXivプレプリントarXiv:1807.06540、2018年。  [50] T. DeVries、G. Taylor、「特徴空間におけるデータセット拡張」、arXivプレプリントarXiv:1702.05538、2017年。  [51] F. Moreno-Barea、F. Strazzera、J. Jerez、他「データ増強のためのフォワードノイズ調整方式」IEEE計算知能シンポジウムシリーズ(SSCI)論文集、2018年、728-734頁。  [52] M. Frid-Adar、D. Idit、E. Klang、他「肝臓病変分類におけるCNNパフォーマンス向上のためのGANベースの合成医療画像拡張」Neurocomputing、vol.321、pp.321-331、2018年。  [53] J. Zhu、Y. Shen、D. Zhao、他「実画像編集のためのドメイン内GAN反転」、欧州コンピュータビジョン会議(ECCV)の議事録、2020年、592-608頁。  [54] Simonyan K, Zisserman A.「大規模画像認識のための非常に深い畳み込みネットワーク」、国際学習表現会議(ICLR)の議事録、2015年、1-14頁。  [55] GHRSSTデータ、https://www.ghrsst.org（アクセス日：2022年7月3日）  [56] HYCOMデータ、https://www.hycom.org（アクセス日：2022年7月3日）  [57] Zhu JY, Krahenb¨uhl P, Shechtman E, et al. “Generative visual mani-¨ nipulation on the natural image manifold,” Proceedings of European Conference on Computer Vision (ECCV), 2016, pp. 597–613.  [58] A. Larsen、S. Sønderby、H. Larochelle、他「学習した類似度メトリックを使用したピクセルを超えた自動エンコード」、国際機械学習会議(ICML)の議事録、2016年、1558-1566頁。  この論文はCC 4.0ライセンスの下で 。 arxivで公開されています

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Oceanography.Tech

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Boost your HackerNoon story @ $159.99! 🚀

海面温度予測のためのディープニューラルネットワーク: 参考文献

About Author

コメント

ラベル

この記事は

Related Stories

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps

海面温度予測のためのディープニューラルネットワーク: 参考文献

About Author

コメント

ラベル

この記事は

Related Stories

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

フォーラムからフィードへ: ソーシャル メディア アルゴリズムがデジタル インタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

フォーラムからフィードへ: ソーシャル メディア アルゴリズムがデジタル インタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み