저자:  (1) 멍 위신;  (2) 펑 가오;  (3) 에릭 리갈;  (4) 란동;  (5) 준유동;  (6) 키안 두.  링크 표   초록 및 소개   배경   제안된 방법   실험 결과 및 분석   결론 및 향후 연구   참고자료  참고자료  [1] AF Shchepetkin 및 JC McWilliams, “지역 해양 모델링 시스템(ROMS): 분할 명시적, 자유 표면, 지형에 따른 좌표 해양 모델,” Ocean Modeling, vol. 9, 아니. 4, pp. 347–404, 2005.  [2] R. Jacob, C. Schafer, I. Foster 등. "빠른 해양 대기 모델의 전산 설계 및 성능", 전산 과학 국제 회의 논문집. 2001, pp. 175–184.  [3] C. Chen, RC Beardsley, G. Cowles 등. "구조화되지 않은 그리드, 유한부피 해안 해양 모델: FVCOM 시스템," Oceanography, vol. 19, 아니. 1, 78~89페이지, 2015년.  [4] EP Chassenet, HE Hurlburt, OM Smedstad, 외. “HYCOM(하이브리드 좌표 해양 모델) 데이터 동화 시스템,” Journal of Marine Systems, vol. 65, 아니. 1, pp. 60-83, 2007.  [5] Y. 르쿤, Y. 벤지오, G. 힌튼. “딥 러닝”, Nature, vol. 521, pp. 436–444, 2015.  [6] PC Bermant, MM Bronstein, RJ Wood, 외. "향유고래 생체음향학의 탐지 및 분류를 위한 심층 기계 학습 기술," Scientific Reports, vol. 9, 아니. 1, 2019년 1~10페이지.  [7] V. Allken V, NO Handegard, S. Rosen, 외. "합성 데이터로 훈련된 컨볼루션 신경망을 사용한 어종 식별", ICES Journal of Marine Science, vol. 76, 아니. 1, pp. 342–349, 2019.  [8] E. Lima, X. Sun, J. Dong 등. "컨벌루션 신경망 지식을 학습하고 해양 인식으로 전환", IEEE 지구과학 및 원격 감지 편지, vol. 14, 아니. 3, pp. 354–358, 2017.  [9] L. Xu, X. Wang, X. Wang, "심층 생성 네트워크를 기반으로 한 난파선 탐지 및 소량의 소나 이미지를 사용한 전이 학습", IEEE 데이터 기반 제어 및 학습 시스템 컨퍼런스(DDCLS), 2019, pp. 638-643.  [10] Y. Ren, X. Li, W. Zhang, "녹는 계절 동안 범북극의 주간 해빙 농도 예측을 위한 데이터 기반 딥 러닝 모델", IEEE Transactions on Geoscience and Remote Sensing, vol. 60, 2022년 1~19페이지.  [11] M. Reichstein, G. Camps-Valls, B. Stevens 등. “데이터 기반 지구 시스템 과학을 위한 딥 러닝 및 프로세스 이해,” Nature, vol. 566, 아니. 7743, pp. 195–204, 2019.  [12] ND Brenowitz, CS Bretherton. "신경망 통합 물리학 매개변수화의 예측 검증", 지구물리학 연구 서신, vol. 45, 아니. 12, pp. 6289–6298, 2018.  [13] O. Pannekoucke 및 R. Fablet. "PDE-NetGen 1.0: 물리적 프로세스의 기호 편미분 방정식(PDE) 표현에서 훈련 가능한 신경망 표현까지," 지구과학적 모델 개발, vol. 13, 아니. 7, pp. 3373–3382, 2020.  [14] K. Patil, MC Deo, M. Ravichandran. “수치적 기법과 신경적 기법을 결합한 해수면 온도 예측,” Journal of Atmospheric and Oceanic Technology, vol. 33, 아니. 8, 1715~1726페이지, 2016년.  [15] 함YG, 김종현, 루오JJ. “다년간의 ENSO 예측을 위한 딥러닝”, Nature, vol. 573, 아니. 7775, pp. 568–572, 2019.  [16] I. Goodfellow, J. Pouget-Abadie, M. Mirza 등. "생성적 적대 네트워크", 신경 정보 처리 시스템(NeurIPS)의 발전 과정, 2014년.  [17] L. Yang, D. Zhang, GE Karniadakis. "확률적 미분 방정식을 위한 물리학 기반 생성적 적대 네트워크," SIAM Journal on Scientific Computing, vol. 42, 아니. 1, 페이지 A292–A317, 2020.  [18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa 등. "해안 홍수 시각화를 위한 물리학 기반 ¨ GAN", arXiv 사전 인쇄 arXiv:2010.08103, 2020.  [19] Q. Zheng, L. Zeng, GE Karniadakis, "물리 기반 의미 론적 재인페인팅: 지리통계 모델링에 적용", Journal of Computational Physics, vol. 419, 2020년 1~10페이지.  [20] X. Shi, Z. Chen, H. Wang 등. "콘볼루셔널 LSTM 네트워크: 현재 강수량 예측을 위한 기계 학습 접근 방식", 신경 정보 처리 시스템(NeurIPS)의 발전 회보, 2015년.  [21] J. Gu, Z. Wang, J. Kuen 등. "컨볼루션 신경망의 최근 발전", 패턴 인식, pp. 354-377, 2018.  [22] H. Ge, Z. Yan, W. Yu 등. “비디오 동작 인식을 위한 어텐션 메커니즘 기반 컨벌루션 LSTM 네트워크,” 멀티미디어 도구 및 애플리케이션', vol. 78, 아니. 14, 페이지 20533–20556, 2019.  [23] W. Che, S. Peng, "인간 동작 인식을 위한 컨볼루셔널 LSTM 네트워크 및 RGB-D 비디오", ITOEC(IEEE 정보 기술 및 메카트로닉스 공학 회의 논문집), 2018, 페이지 951-955.  [24] ID Lins, M. Araujo 등. "서포트 벡터 머신을 통한 열대 대서양 해수면 온도 예측," 전산 통계 및 데이터 분석, vol. 61, pp. 187–198, 2013.  [25] Patil K, Deo MC. “인공 신경망을 이용한 해수면 온도의 유역 규모 예측,” Journal of Atmospheric and Oceanic Technology, vol. 35, 아니. 7, pp. 1441–1455, 2018.  [26] Q. Zhang, H. Wang, J. Dong 등. “장단기 기억을 이용한 해수면 온도 예측”, IEEE 지구과학과 원격탐사서한, vol. 14, 아니. 10, pp. 1745–1749, 2017.  [27] Y. Yang, J. Dong, X. Sun X, et al. “해수면 온도 예측을 위한 CFCC-LSTM 모델,” IEEE 지구과학 및 원격 감지 서한, vol. 15, 아니. 2, pp. 207–211, 2017.  [28] K. Patil, MC Deo, “효율적인 신경망을 이용한 일일 해수면 온도 예측,” Ocean Dynamics, vol. 67, 아니. 3, pp. 357–368, 2017.  [29] S. Ouala, C. Herzet, R. Fablet, "패치 수준 신경망 표현을 사용한 해수면 온도 예측 및 재구성," IEEE 국제 지구과학 및 원격 탐사 심포지엄 회보, 2018, pp. 5628-5631.  [30] C. Shorten, TM Khoshgoftaar, “딥 러닝을 위한 이미지 데이터 증강에 대한 조사”, Journal of Big Data, vol. 6, 아니. 1, 2017년 1~48페이지.  [31] H. Bagherinezhad, M. Horton, M. Rastegari 등. "라벨 정제소: 라벨 진행을 통한 Imagenet 분류 개선," arXiv 사전 인쇄 arXiv:1805.02641, 2018.  [32] K. Chatfield, K. Simonyan, A. Vedaldi 등. "세부 사항에 악마가 돌아옴: 컨볼루셔널 네트워크에 대한 심층 분석," 영국 머신 비전 컨퍼런스(BMVC) 회보, 2014년.  [33] A. Jurio, M. Pagola, M. Galar 등. "클러스터링 기반 이미지 분할의 다양한 색상 공간에 대한 비교 연구", 지식 기반 시스템의 정보 처리 및 불확실성 관리에 관한 국제 회의 진행, 2010, pp. 532–541.  [34] Q. You, J. Luo, H. Jin, et al. "점진적으로 훈련되고 도메인 전송된 심층 네트워크를 사용한 강력한 이미지 감정 분석," 인공 지능에 관한 AAAI 컨퍼런스 회보, 2015년, pp. 381-388.  [35] Z. Zhong, L. Zheng, G. Kang 등. "무작위 삭제 데이터 확대", 인공 지능에 관한 AAAI 회의 진행, 2020, 페이지 13001-13008.  [36] T. DeVries, GW Taylor, "컷아웃을 사용하여 컨벌루션 신경망의 정규화 개선", arXiv 사전 인쇄 arXiv:1708.04552, 2017.  [37] A. Mikołajczyk, M. Grochowski, “이미지 분류 문제에서 딥 러닝 개선을 위한 데이터 증강,” 국제 학제간 박사 워크숍(IIPhDW) 진행, 2018, pp. 117–122.  [38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, "Deepfool: 심층 신경망을 속이는 간단하고 정확한 방법", 컴퓨터 비전 및 패턴 인식에 관한 IEEE 회의 진행, 2016년, pp. 2574–2582 .  [39] J. Su, DV Vargas, K. Sakurai, "심층 신경망을 속이기 위한 1픽셀 공격", IEEE Transactions on Evolutionary Computation, vol. 23, 아니. 5, pp. 828–841, 2019.  [40] M. Zajac, K. Zołna, N. Rostamzadeh 등. "이미지 및 비디오 분류를 위한 적대적 프레이밍", 인공 지능에 관한 AAAI 회의 진행, 2019, 페이지 10077-10078.  [41] S. Li, Y. Chen, Y. Peng 등. "적대적 훈련을 통해 더욱 강력한 기능 학습", arXiv 사전 인쇄 arXiv:1804.07757, 2018.  [42] LA Gatys, AS Ecker, M. Bethge, “예술적 스타일의 신경 알고리즘,” Journal of Vision vol. 16, 아니. 2016년 12월 12일  [43] D. Ulyanov, A. Vedaldi, V. Lempitsky, "인스턴스 정규화: 빠른 스타일화를 위한 누락된 요소", arXiv 사전 인쇄 arXiv:1607.08022, 2016.  [44] P. Jackson, A. Abarghouei, S. Bonner 등. "스타일 증대: 스타일 무작위화를 통한 데이터 증대", 컴퓨터 비전 및 패턴 인식(CVPR) 워크숍에 관한 IEEE 국제 컨퍼런스 진행, 2019년, pp. 83-92.  [45] J. Tobin, R. Fong, A. Ray 등. "심층 신경망을 시뮬레이션에서 실제 세계로 이전하기 위한 도메인 무작위화", IEEE IROS(지능형 로봇 및 시스템에 관한 국제 컨퍼런스) 회보, 2017년, pp. 23-30.  [46] C. Summers 및 M. Dinneen, "향상된 혼합 예제 데이터 증대", 컴퓨터 비전 응용 프로그램(WACV)에 관한 IEEE Winter Conference 회보, 2019, pp. 1262-1270.  [47] D. Liang, F. Yang, T. Zhang 등. "Mixup 훈련 방법 이해", IEEE Access, vol. 6, 페이지 58774–58783, 2018.  [48] R. Takahashi, T. Matsubara, K. Uehara, "심층 CNN을 위한 무작위 이미지 자르기 및 패치를 사용한 증강", 비디오 기술을 위한 회로 및 시스템에 관한 IEEE 트랜잭션, vol. 30, 아니. 9, pp. 2917–2931, 2019.  [49] T. Konno 및 M. Iwazume, "금상 추가: 딥 러닝 후에 시도해 볼 수 있는 쉽고 빠른 학습 후 방법", arXiv 사전 인쇄 arXiv:1807.06540, 2018.  [50] T. DeVries 및 G. Taylor, "기능 공간의 데이터세트 확대", arXiv 사전 인쇄 arXiv:1702.05538, 2017.  [51] F. Moreno-Barea, F. Strazzera, J. Jerez 등. "데이터 증대를 위한 순방향 노이즈 조정 방식", 계산 지능에 관한 IEEE 심포지엄 시리즈(SSCI) 진행, 2018, 페이지 728-734.  [52] M. Frid-Adar, D. Idit, E. Klang 등. "간 병변 분류에서 CNN 성능 향상을 위한 GAN 기반 합성 의료 영상 증강," Neurocomputing, vol. 321, pp. 321-331, 2018.  [53] J. Zhu, Y. Shen, D. Zhao 등. "실제 이미지 편집을 위한 도메인 내 GAN 반전", 유럽 컴퓨터 비전 회의(ECCV) 회보, 2020, 페이지 592-608.  [54] Simonyan K, Zisserman A. "대규모 이미지 인식을 위한 매우 심층적인 컨벌루션 네트워크," ICLR(International Conference on Learning Representation) 회보, 2015, 페이지 1–14.  [55] GHRSST 데이터, https://www.ghrsst.org (접속일: 2022년 7월 3일)  [56] HYCOM 데이터, https://www.hycom.org (접속일: 2022년 7월 3일)  [57] Zhu JY, Krahenb ¨ uhl P, Shechtman E, et al. "자연 이미지 다양체에 대한 생성적 시각적 조작", 컴퓨터 비전에 관한 유럽 회의(ECCV) 회보, 2016년, pp. 597-613.  [58] A. Larsen, S. Sønderby, H. Larochelle 등. "학습된 유사성 측정법을 사용하여 픽셀 이상의 자동 인코딩", ICML(International Conference on Machine Learning) 회보, 2016년, 1558~1566페이지.   이 문서는 CC 4.0 라이선스에 따라   있습니다. arxiv에서 볼 수

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

Oceanography.Tech

이 오디오는 이야기의 원래 언어로 제작되었습니다!

너무 오래; 읽다

Boost your HackerNoon story @ $159.99! 🚀

해수면 온도 예측을 위한 심층 신경망: 참고자료

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

Crypto Growth: 효과적인 사용자 페르소나 만들기

볼츠만 뇌 이론에 대한 간략한 소개

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

Crypto Growth: 효과적인 사용자 페르소나 만들기

볼츠만 뇌 이론에 대한 간략한 소개

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps