Autores:  (1) Yuxin Meng;  (2) Feng Gao;  (3) Eric Rigall;  (4) Ran Dong;  (5) Junyu Dong;  (6) Qian Du.  Tabela de Links   Resumo e introdução   Fundo   Método proposto   Resultados Experimentais e Análise   Conclusões e Trabalho Futuro   Referências  REFERÊNCIAS  [1] AF Shchepetkin e JC McWilliams, “O sistema de modelagem oceânica regional (ROMS): Um modelo oceânico dividido, explícito, de superfície livre e topografia com coordenadas seguintes”, Ocean Modeling, vol. 9, não. 347–404, 2005.  [2] R. Jacob, C. Schafer, I. Foster, et al. “Projeto computacional e desempenho do modelo de atmosfera oceânica rápida”, Anais da Conferência Internacional sobre Ciência Computacional. 2001, pp.  [3] C. Chen, RC Beardsley, G. Cowles, e outros. “Uma grade não estruturada, modelo oceânico costeiro de volume finito: sistema FVCOM,” Oceanography, vol. 19, não. 78–89, 2015.  [4] EP Chassignet, HE Hurlburt, OM Smedstad, et al. “O sistema de assimilação de dados HYCOM (modelo híbrido de coordenadas oceânicas),” Journal of Marine Systems, vol. 65, não. 1, pp. 60–83, 2007.  [5] Y. LeCun, Y. Bengio, G. Hinton. “Aprendizagem profunda”, Nature, vol. 521, pp.  [6] PC Bermant, MM Bronstein, RJ Wood, et al. “Técnicas profundas de aprendizado de máquina para a detecção e classificação da bioacústica de cachalotes”, Scientific Reports, vol. 9, não. 1, pp. 1–10, 2019.  [7] V. Allken V, NO Handegard, S. Rosen, et al. “Identificação de espécies de peixes usando uma rede neural convolucional treinada em dados sintéticos”, ICES Journal of Marine Science, vol. 76, não. 342–349, 2019.  [8] E. Lima, X. Sun, J. Dong, et al. “Aprendendo e transferindo conhecimento de rede neural convolucional para reconhecimento de frente oceânica”, IEEE Geoscience and Remote Sensing Letters, vol. 14, não. 3, pp. 354–358, 2017.  [9] L. Xu, X. Wang, X. Wang, “Detecção de naufrágios baseada em rede de geração profunda e aprendizagem de transferência com pequena quantidade de imagens de sonar”, IEEE Data Driven Control and Learning Systems Conference (DDCLS), 2019, pp. 638–643.  [10] Y. Ren, X. Li, W. Zhang, “Um modelo de aprendizagem profunda baseado em dados para previsão semanal da concentração de gelo marinho do Pan-Ártico durante a estação de degelo”, IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1–19, 2022.  [11] M. Reichstein, G. Camps-Valls, B. Stevens, e outros. “Aprendizagem profunda e compreensão do processo para a ciência do sistema terrestre baseada em dados”, Nature, vol. 566, não. 7743, pp.  [12]ND Brenowitz, CS Bretherton. “Validação prognóstica de uma parametrização física unificada de rede neural”, Geophysical Research Letters, vol. 45, não. 6289–6298, 2018.  [13] O. Pannekoucke e R. Fablet. “PDE-NetGen 1.0: de representações simbólicas de equações diferenciais parciais (PDE) de processos físicos a representações de redes neurais treináveis,” Geoscientific Model Development, vol. 13, não. 7, pp. 3373–3382, 2020.  [14] K. Patil, MC Deo, M. Ravichandran. “Predição da temperatura da superfície do mar combinando técnicas numéricas e neurais”, Journal of Atmospheric and Oceanic Technology, vol. 33, não. 8, pp.  [15] YG Ham, JH Kim, JJ Luo. “Aprendizagem profunda para previsões ENSO plurianuais”, Nature, vol. 573, não. 7775, pp.  [16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, et al. “Redes adversárias geradoras”,Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2014.  [17] L. Yang, D. Zhang, GE Karniadakis. “Redes adversárias generativas informadas pela física para equações diferenciais estocásticas”, SIAM Journal on Scientific Computing, vol. 42, não. 1, pp. A292–A317, 2020.  [18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa, et al. “GANs informados pela física para visualização de inundações costeiras”, pré-impressão arXiv arXiv:2010.08103, 2020.  [19] Q. Zheng, L. Zeng, GE Karniadakis, “Pintura semântica informada pela física: Aplicação à modelagem geoestatística”, Journal of Computational Physics, vol. 419, pp. 1–10, 2020.  [20] X. Shi, Z. Chen, H. Wang, et al. “Rede LSTM convolucional: uma abordagem de aprendizado de máquina para previsão de precipitação”, Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2015.  [21] J. Gu, Z. Wang, J. Kuen, et al. “Avanços recentes em redes neurais convolucionais”, Pattern Recognition, pp.  [22] H. Ge, Z. Yan, W. Yu, et al. “Uma rede LSTM convolucional baseada em mecanismo de atenção para reconhecimento de ação de vídeo,” Multimedia Tools and Applications', vol. 78, não. 20533–20556, 2019.  [23] W. Che e S. Peng, “Convolutional LSTM Networks and RGB-D Video for Human Motion Recognition,” Proceedings of IEEE Information Technology and Mechatronics Engineering Conference (ITOEC), 2018, pp.  [24] ID Lins, M. Araújo, et al. “Previsão da temperatura da superfície do mar no Atlântico tropical por máquinas de vetores de suporte,” Computational Statistics and Data Analysis, vol. 61, pp.  [25] Patil K, Deo MC. “Previsão em escala de bacia da temperatura da superfície do mar com redes neurais artificiais”, Journal of Atmospheric and Oceanic Technology, vol. 35, não. 7, pp. 1441–1455, 2018.  [26] Q. Zhang, H. Wang, J. Dong, et al. “Predição da temperatura da superfície do mar usando memória de longo e curto prazo”, IEEE Geoscience and Remote Sensing Letters, vol. 14, não. 10, pp. 1745–1749, 2017.  [27] Y. Yang, J. Dong, X. Sun X, et al. “Um modelo CFCC-LSTM para previsão da temperatura da superfície do mar”, IEEE Geoscience and Remote Sensing Letters, vol. 15, não. 2, pp. 207–211, 2017.  [28] K. Patil, MC Deo, “Previsão da temperatura diária da superfície do mar usando redes neurais eficientes”, Ocean Dynamics, vol. 67, não. 3, pp. 357–368, 2017.  [29] S. Ouala, C. Herzet, R. Fablet, “Predição e reconstrução da temperatura da superfície do mar usando representações de redes neurais em nível de patch”, Proceedings of IEEE International Geoscience and Remote Sensing Symposium, 2018, pp.  [30] C. Shorten, TM Khoshgoftaar, “Uma pesquisa sobre aumento de dados de imagem para aprendizagem profunda”, Journal of Big Data, vol. 6, não. 1, pp. 1–48, 2017.  [31] H. Bagherinezhad, M. Horton, M. Rastegari, et al. “Refinaria de rótulos: Melhorando a classificação do Imagenet por meio da progressão de rótulos”, pré-impressão arXiv arXiv:1805.02641, 2018.  [32] K. Chatfield, K. Simonyan, A. Vedaldi, et al. “O retorno do diabo nos detalhes: investigando profundamente as redes convolucionais”, Proceedings of the British Machine Vision Conference (BMVC), 2014.  [33] A. Jurio, M. Pagola, M. Galar, et al. “Um estudo comparativo de diferentes espaços de cores na segmentação de imagens baseada em cluster”, Proceedings of International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, 2010, pp.  [34] Q. Você, J. Luo, H. Jin, et al. “Análise robusta de sentimento de imagem usando redes profundas progressivamente treinadas e transferidas de domínio”, Proceedings of the AAAI Conference on Artificial Intelligence, 2015, pp.  [35] Z. Zhong, L. Zheng, G. Kang, et al. “Apagamento aleatório de aumento de dados”, Anais da Conferência AAAI sobre Inteligência Artificial, 2020, pp.  [36] T. DeVries, GW Taylor, “Regularização melhorada de redes neurais convolucionais com Cutout”, pré-impressão arXiv arXiv:1708.04552, 2017.  [37] A. Mikołajczyk, M. Grochowski, “Aumento de dados para melhorar a aprendizagem profunda em problemas de classificação de imagens”, Proceedings of International Interdisciplinary PhD workshop (IIPhDW), 2018, pp.  [38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, “Deepfool: Um método simples e preciso para enganar redes neurais profundas”, Anais da Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões, 2016, pp. .  [39] J. Su, DV Vargas, K. Sakurai, “Ataque de um pixel para enganar redes neurais profundas”, IEEE Transactions on Evolutionary Computation, vol. 23, não. 5, pp. 828–841, 2019.  [40] M. Zajac, K. Zołna, N. Rostamzadeh, et al. “Enquadramento adversário para classificação de imagens e vídeos”, Anais da Conferência AAAI sobre Inteligência Artificial, 2019, pp.  [41] S. Li, Y. Chen, Y. Peng, et al. “Aprendendo recursos mais robustos com treinamento adversário”, pré-impressão arXiv arXiv:1804.07757, 2018.  [42] LA Gatys, AS Ecker, M. Bethge, “Um algoritmo neural de estilo artístico”, Journal of Vision vol. 16, não. 12, 2016.  [43] D. Ulyanov, A. Vedaldi, V. Lempitsky, “Normalização de instâncias: o ingrediente que falta para estilização rápida”, pré-impressão arXiv arXiv:1607.08022, 2016.  [44] P. Jackson, A. Abarghouei, S. Bonner, et al. “Aumento de estilo: aumento de dados via randomização de estilo”, Anais do Workshop da Conferência Internacional IEEE sobre Visão Computacional e Reconhecimento de Padrões (CVPR), 2019, pp.  [45] J. Tobin, R. Fong, A. Ray, et al. “Randomização de domínio para transferir redes neurais profundas da simulação para o mundo real”, Proceedings of IEEE International Conference on Intelligent Robots and Systems (IROS), 2017, pp.  [46] C. Summers e M. Dinneen, “Melhoria do aumento de dados de exemplos mistos”, Proceedings of IEEE Winter Conference on Applications of Computer Vision (WACV), 2019, pp.  [47] D. Liang, F. Yang, T. Zhang, et al. “Compreendendo os métodos de treinamento Mixup”, IEEE Access, vol. 6, pp. 58774–58783, 2018.  [48] R. Takahashi, T. Matsubara, K. Uehara, “Aumento usando corte e correção de imagens aleatórias para CNNs profundos”, IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, não. 9, pp. 2.917–2.931, 2019.  [49] T. Konno e M. Iwazume, “A cereja do bolo: um método de pós-aprendizagem fácil e rápido que você pode experimentar após o aprendizado profundo”, pré-impressão arXiv arXiv:1807.06540, 2018.  [50] T. DeVries e G. Taylor, “Aumento do conjunto de dados no espaço de recursos”, pré-impressão arXiv arXiv:1702.05538, 2017.  [51] F. Moreno-Barea, F. Strazzera, J. Jerez, et al. “Esquema de ajuste de ruído direto para aumento de dados”, Proceedings of IEEE Symposium Series on Computational Intelligence (SSCI), 2018, pp.  [52] M. Frid-Adar, D. Idit, E. Klang, et al. “Aumento de imagem médica sintética baseada em GAN para aumento do desempenho da CNN na classificação de lesões hepáticas”, Neurocomputing, vol. 321, pp. 321-331, 2018.  [53] J. Zhu, Y. Shen, D. Zhao, et al. “Inversão GAN no domínio para edição de imagens reais”, Proceedings of European Conference on Computer Vision (ECCV), 2020, pp.  [54] Simonyan K, Zisserman A. “Redes convolucionais muito profundas para reconhecimento de imagens em larga escala”, Proceedings of International Conference on Learning Representations (ICLR), 2015, pp.  [55] Dados GHRSST, https://www.ghrsst.org (acessado em 3 de julho de 2022)  [56] Dados HYCOM, https://www.hycom.org (acessado em 3 de julho de 2022)  [57] Zhu JY, Krahenb¨uhl P, Shechtman E, et al. “Manipulação visual generativa na variedade de imagens naturais”, Proceedings of European Conference on Computer Vision (ECCV), 2016, pp.  [58] A. Larsen, S. Sønderby, H. Larochelle, et al. “Autoencoding além de pixels usando uma métrica de similaridade aprendida”, Proceedings of International Conference on Machine Learning (ICML), 2016, pp.   Este artigo está   sob licença CC 4.0. disponível no arxiv

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

Oceanography.Tech

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Rede Neural Profunda para Previsão da Temperatura da Superfície do Mar: Referências

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Aumente sua produtividade com estas 18 ferramentas para desenvolvedores 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps