Глубокая нейронная сеть для прогнозирования температуры поверхности моря: ссылки

Таблица ссылок

• Аннотация и введение
• Фон
• Предлагаемый метод
• Экспериментальные результаты и анализ
• Выводы и будущая работа
• Рекомендации

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

[1] А. Ф. Щепеткин и Дж. К. Мак-Вильямс, «Региональная система моделирования океана (ROMS): модель океана со свободной поверхностью и топографией, следующей за координатами», Ocean Modeling, vol. 9, нет. 4, стр. 347–404, 2005.

[2] Р. Джейкоб, К. Шафер, И. Фостер и др. «Вычислительный дизайн и производительность модели атмосферы быстрого океана», Материалы международной конференции по вычислительной науке. 2001, стр. 175–184.

[3] К. Чен, Р. К. Бердсли, Г. Коулз и др. «Неструктурированная сетка, модель прибрежного океана с конечным объемом: система FVCOM», Oceanography, vol. 19, нет. 1, стр. 78–89, 2015.

[4] EP Chassignet, HE Hurlburt, OM Smedstad и др. «Система ассимиляции данных HYCOM (гибридная координатная модель океана)», Journal of Marine Systems, vol. 65, нет. 1, стр. 60–83, 2007.

[5] Ю. Лекун, Ю. Бенджио, Г. Хинтон. «Глубокое обучение», Nature, vol. 521, стр. 436–444, 2015.

[6] П.К. Бермант, М.М. Бронштейн, Р.Дж. Вуд и др. «Методы глубокого машинного обучения для обнаружения и классификации биоакустики кашалотов», Scientific Reports, vol. 9, нет. 1, стр. 1–10, 2019.

[7] В. Аллкен В., Н.О. Хандегард, С. Розен и др. «Идентификация видов рыб с использованием сверточной нейронной сети, обученной на синтетических данных», ICES Journal of Marine Science, vol. 76, нет. 1, стр. 342–349, 2019.

[8] Э. Лима, X. Сан, Дж. Донг и др. «Изучение и передача знаний сверточных нейронных сетей для распознавания океанского фронта», IEEE Geoscience and Remote Sensing Letters, vol. 14, нет. 3, стр. 354–358, 2017.

[9] Л. Сюй, X. Ван, X. Ван, «Обнаружение кораблекрушений на основе сети глубокой генерации и передачи обучения с небольшим количеством гидролокационных изображений», Конференция IEEE Data Driven Control and Learning Systems (DDCLS), 2019, стр. 638–643.

[10] Ю. Рен, К. Ли, В. Чжан, «Модель глубокого обучения на основе данных для еженедельного прогнозирования концентрации морского льда в Панарктике во время сезона таяния», IEEE Transactions on Geoscience and Remote Sensing, vol. 60, стр. 1–19, 2022 г.

[11] М. Райхштейн, Г. Кэмпс-Валлс, Б. Стивенс и др. «Глубокое обучение и понимание процессов для науки о системе Земли, основанной на данных», Nature, vol. 566, нет. 7743, стр. 195–204, 2019.

[12] Н.Д. Бреновиц, К.С. Бретертон. «Прогностическая проверка параметризации единой физики нейронной сети», Geophysical Research Letters, vol. 45, нет. 12, стр. 6289–6298, 2018.

[13] О. Паннекук и Р. Фабле. «PDE-NetGen 1.0: от символических представлений физических процессов в виде уравнений в частных производных (PDE) к обучаемым представлениям нейронных сетей», Geoscientific Model Development, vol. 13, нет. 7, стр. 3373–3382, 2020.

[14] К. Патил, М. К. Део, М. Равичандран. «Прогнозирование температуры поверхности моря путем сочетания численных и нейронных методов», Журнал атмосферных и океанических технологий, том. 33, нет. 8, стр. 1715–1726, 2016.

[15] Ю. Г. Хэм, Дж. Х. Ким, Джей Джей Луо. «Глубокое обучение для многолетних прогнозов ЭНСО», Nature, vol. 573, нет. 7775, стр. 568–572, 2019.

[16] И. Гудфеллоу, Ж. Пуже-Абади, М. Мирза и др. «Генераторно-состязательные сети», Труды о достижениях в области нейронных систем обработки информации (NeurIPS), 2014.

[17] Л. Ян, Д. Чжан, Г. Е. Карниадакис. «Физико-информированные генеративно-состязательные сети для стохастических дифференциальных уравнений», SIAM Journal on Scientific Computing, том. 42, нет. 1, стр. А292–А317, 2020 г.

[18] Б. Лютьенс, Б. Лещинский, К. Рекена-Меса и др. «Физико-информированные GAN для визуализации прибрежных наводнений», препринт arXiv arXiv:2010.08103, 2020.

[19] К. Чжэн, Л. Цзэн, Г. Е. Карниадакис, «Семантическое рисование с учетом физики: применение к геостатистическому моделированию», Журнал вычислительной физики, том. 419, стр. 1–10, 2020 г.

[20] С. Ши, З. Чен, Х. Ван и др. «Сверточная сеть LSTM: подход машинного обучения для прогнозирования осадков», Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2015.

[21] Дж. Гу, З. Ван, Дж. Куэн и др. «Последние достижения в области сверточных нейронных сетей», Распознавание образов, стр. 354–377, 2018 г.

[22] Х. Ге, З. Ян, В. Ю и др. «Сверточная сеть LSTM на основе механизма внимания для распознавания видеодействий», Multimedia Tools and Applications, vol. 78, нет. 14, стр. 20533–20556, 2019.

[23] В. Че и С. Пэн, «Сверточные сети LSTM и видео RGB-D для распознавания движений человека», Труды конференции IEEE по информационным технологиям и мехатронике (ITOEC), 2018, стр. 951–955.

[24] И.Д. Линс, М. Араужо и др. «Прогнозирование температуры поверхности моря в тропической Атлантике с помощью машин опорных векторов», Вычислительная статистика и анализ данных, том. 61, стр. 187–198, 2013.

[25] Патил К., Део М.С. «Прогнозирование температуры поверхности моря в масштабе бассейна с помощью искусственных нейронных сетей», Журнал атмосферных и океанических технологий, том. 35, нет. 7, стр. 1441–1455, 2018.

[26] Ц. Чжан, Х. Ван, Дж. Донг и др. «Прогнозирование температуры поверхности моря с использованием долговременной кратковременной памяти», IEEE Geoscience and Remote Sensing Letters, vol. 14, нет. 10, стр. 1745–1749, 2017.

[27] Ю. Ян, Дж. Донг, X. Сунь X и др. «Модель CFCC-LSTM для прогнозирования температуры поверхности моря», IEEE Geoscience and Remote Sensing Letters, vol. 15, нет. 2, стр. 207–211, 2017.

[28] К. Патил, М. К. Део, «Прогнозирование ежедневной температуры поверхности моря с использованием эффективных нейронных сетей», Ocean Dynamics, vol. 67, нет. 3, стр. 357–368, 2017.

[29] С. Уала, К. Герцет, Р. Фабле, «Прогнозирование и реконструкция температуры поверхности моря с использованием представлений нейронных сетей на уровне патчей», Труды Международного симпозиума по геонаукам и дистанционному зондированию IEEE, 2018, стр. 5628–5631.

[30] К. Шортен, Т.М. Хошгофтаар, «Опрос по увеличению данных изображений для глубокого обучения», Journal of Big Data, vol. 6, нет. 1, стр. 1–48, 2017.

[31] Х. Багеринежад, М. Хортон, М. Растегари и др. «Завод по очистке этикеток: улучшение классификации Imagenet за счет развития этикеток», препринт arXiv arXiv:1805.02641, 2018 г.

[32] К. Чатфилд, К. Симонян, А. Ведальди и др. «Возвращение дьявола в деталях: углубляясь в сверточные сети», Труды Британской конференции по машинному зрению (BMVC), 2014.

[33] А. Хурио, М. Пагола, М. Галар и др. «Сравнительное исследование различных цветовых пространств при сегментации изображений на основе кластеризации», Труды Международной конференции по обработке информации и управлению неопределенностью в системах, основанных на знаниях, 2010, стр. 532–541.

[34] В. Ю, Дж. Луо, Х. Цзинь и др. «Надежный анализ настроений изображений с использованием прогрессивно обученных и глубоких сетей с переносом доменов», Труды конференции AAAI по искусственному интеллекту, 2015 г., стр. 381–388.

[35] З. Чжун, Л. Чжэн, Г. Кан и др. «Увеличение данных со случайным стиранием», Материалы конференции AAAI по искусственному интеллекту, 2020 г., стр. 13001–13008.

[36] Т. ДеВрис, Г. В. Тейлор, «Улучшенная регуляризация сверточных нейронных сетей с помощью Cutout», препринт arXiv arXiv:1708.04552, 2017.

[37] А. Миколайчик, М. Гроховски, «Дополнение данных для улучшения глубокого обучения в задаче классификации изображений», Труды Международного междисциплинарного докторского семинара (IIIPhDW), 2018, стр. 117–122.

[38] С.М. Мусави-Дезфули, А. Фаузи, П. Фроссар, «Deepfool: простой и точный метод обмануть глубокие нейронные сети», Труды конференции IEEE по компьютерному зрению и распознаванию образов, 2016, стр. 2574–2582. .

[39] Дж. Су, Д. В. Варгас, К. Сакураи, «Однопиксельная атака для обмана глубоких нейронных сетей», IEEE Transactions on Evolutionary Computation, том. 23, нет. 5, стр. 828–841, 2019.

[40] М. Заяц, К. Золна, Н. Ростамзаде и др. «Состязательное кадрирование для классификации изображений и видео», Материалы конференции AAAI по искусственному интеллекту, 2019 г., стр. 10077-10078.

[41] С. Ли, Ю. Чен, Ю. Пэн и др. «Изучение более надежных функций с помощью состязательного обучения», препринт arXiv arXiv:1804.07757, 2018 г.

[42] Л.А. Гатис, А.С. Эккер, М. Бетге, «Нейронный алгоритм художественного стиля», Journal of Vision vol. 16, нет. 12, 2016.

[43] Д. Ульянов, А. Ведальди, В. Лемпицкий, «Нормализация экземпляров: недостающий ингредиент для быстрой стилизации», препринт arXiv arXiv:1607.08022, 2016.

[44] П. Джексон, А. Абаргуэй, С. Боннер и др. «Увеличение стиля: увеличение данных посредством рандомизации стилей», Труды семинара Международной конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), 2019 г., стр. 83–92.

[45] Дж. Тобин, Р. Фонг, А. Рэй и др. «Рандомизация предметной области для переноса глубоких нейронных сетей из моделирования в реальный мир», Труды Международной конференции IEEE по интеллектуальным роботам и системам (IROS), 2017, стр. 23–30.

[46] К. Саммерс и М. Диннин, «Улучшенное увеличение данных со смешанными примерами», Труды зимней конференции IEEE по приложениям компьютерного зрения (WACV), 2019, стр. 1262–1270.

[47] Д. Лян, Ф. Ян, Т. Чжан и др. «Понимание методов обучения Mixup», IEEE Access, vol. 6, стр. 58774–58783, 2018.

[48] Р. Такахаши, Т. Мацубара, К. Уэхара, «Увеличение с использованием случайного обрезки изображений и исправлений для глубоких CNN», IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, нет. 9, стр. 2917–2931, 2019.

[49] Т. Конно и М. Ивазуме, «Вишенка на торте: простой и быстрый метод постобучения, который можно попробовать после глубокого обучения», препринт arXiv arXiv:1807.06540, 2018.

[50] Т. ДеВрис и Г. Тейлор, «Расширение набора данных в пространстве признаков», препринт arXiv arXiv:1702.05538, 2017.

[51] Ф. Морено-Бареа, Ф. Стразера, Дж. Херес и др. «Схема прямой корректировки шума для увеличения данных», Труды серии симпозиумов IEEE по вычислительному интеллекту (SSCI), 2018 г., стр. 728–734.

[52] М. Фрид-Адар, Д. Идит, Э. Кланг и др. «Синтетическое увеличение медицинских изображений на основе GAN для повышения эффективности CNN при классификации поражений печени», Neurocomputing, vol. 321, стр. 321-331, 2018.

[53] Дж. Чжу, Ю. Шен, Д. Чжао и др. «Внутридоменная инверсия GAN для реального редактирования изображений», Материалы Европейской конференции по компьютерному зрению (ECCV), 2020, стр. 592–608.

[54] Симоньян К., Зиссерман А. «Очень глубокие сверточные сети для крупномасштабного распознавания изображений», Труды Международной конференции по обучающим представлениям (ICLR), 2015, стр. 1–14.

[55] Данные GHRSST, https://www.ghrsst.org (дата обращения: 3 июля 2022 г.).

[56] Данные HYCOM, https://www.hycom.org (дата обращения: 3 июля 2022 г.).

[57] Чжу Дж.Ю., Краэнбюль П., Шехтман Э. и др. «Генеративная визуальная манипуляция с естественным многообразием изображений», Труды Европейской конференции по компьютерному зрению (ECCV), 2016, стр. 597–613.

[58] А. Ларсен, С. Сондерби, Х. Ларошель и др. «Автокодирование за пределами пикселей с использованием изученной метрики сходства», Труды Международной конференции по машинному обучению (ICML), 2016, стр. 1558–1566.