Yazarlar:  (1) Yuxin Meng;  (2) Feng Gao;  (3) Eric Rigall;  (4) Ran Dong;  (5) Junyu Dong;  (6) Qian Du.  Bağlantı Tablosu   Özet ve Giriş   Arka plan   Önerilen yöntem   Deneysel Sonuçlar ve Analiz   Sonuçlar ve Gelecekteki Çalışmalar   Referanslar  REFERANSLAR  [1] AF Shchepetkin ve JC McWilliams, "Bölgesel okyanus modelleme sistemi (ROMS): Bölünmüş, açık, serbest yüzeyli, topoğrafyayı takip eden koordinat okyanus modeli," Ocean Modeling, cilt. 9, hayır. 4, s. 347–404, 2005.  [2] R. Jacob, C. Schafer, I. Foster, ve diğerleri. “Hızlı Okyanus Atmosferi Modelinin hesaplamalı tasarımı ve performansı,” Uluslararası Hesaplamalı Bilim Konferansı Bildirileri. 2001, s. 175–184.  [3] C. Chen, RC Beardsley, G. Cowles, ve diğerleri. “Yapılandırılmamış bir ızgara, sonlu hacimli kıyı okyanus modeli: FVCOM sistemi,” Oşinografi, cilt. 19, hayır. 1, s. 78–89, 2015.  [4] EP Chsignet, HE Hurlburt, OM Smedstad, ve diğerleri. “HYCOM (hibrit koordinat okyanus modeli) veri özümleme sistemi,” Journal of Marine Systems, cilt. 65, hayır. 1, s. 60–83, 2007.  [5] Y. LeCun, Y. Bengio, G. Hinton. “Derin öğrenme,” Nature, cilt. 521, s. 436–444, 2015.  [6] PC Bermant, MM Bronstein, RJ Wood, ve diğerleri. "Sperm balinası biyoakustiğinin tespiti ve sınıflandırılması için derin makine öğrenimi teknikleri", Scientific Reports, cilt. 9, hayır. 1, s. 1–10, 2019.  [7] V. Allken V, NO Handegard, S. Rosen, ve diğerleri. “Sentetik veriler üzerine eğitilmiş bir evrişimsel sinir ağı kullanılarak balık türlerinin tanımlanması,” ICES Deniz Bilimleri Dergisi, cilt. 76, hayır. 1, s. 342–349, 2019.  [8] E. Lima, X. Sun, J. Dong, ve diğerleri. “Evrişimsel sinir ağı bilgisini okyanus cephesi tanımaya öğrenmek ve aktarmak,” IEEE Geoscience and Remote Sensing Letters, cilt. 14, hayır. 3, s. 354–358, 2017.  [9] L. Xu, X. Wang, X. Wang, “Derin nesil ağa dayalı gemi enkazlarının tespiti ve az miktarda sonar görüntüsüyle aktarım öğrenimi,” IEEE Veriye Dayalı Kontrol ve Öğrenme Sistemleri Konferansı (DDCLS), 2019, s. 638–643.  [10] Y. Ren, X. Li, W. Zhang, "Erime mevsimi boyunca Pan-Arctic'in haftalık deniz buzu konsantrasyonu tahmini için veriye dayalı bir derin öğrenme modeli", IEEE Transactions on Geoscience and Remote Sensing, cilt. 60, s. 1–19, 2022.  [11] M. Reichstein, G. Camps-Valls, B. Stevens, ve diğerleri. “Veriye dayalı Dünya sistemi bilimi için derin öğrenme ve süreç anlayışı,” Nature, cilt. 566, hayır. 7743, s. 195–204, 2019.  [12] ND Brenowitz, CS Bretherton. “Bir sinir ağı birleşik fizik parametrelendirmesinin prognostik doğrulaması,” Jeofizik Araştırma Mektupları, cilt. 45, hayır. 12, s. 6289–6298, 2018.  [13] O. Pannekoucke ve R. Fablet. "PDE-NetGen 1.0: fiziksel süreçlerin sembolik kısmi diferansiyel denklem (PDE) temsillerinden eğitilebilir sinir ağı temsillerine kadar," Geoscientific Model Development, cilt. 13, hayır. 7, s. 3373–3382, 2020.  [14] K. Patil, MC Deo, M. Ravichandran. “Sayısal ve sinirsel teknikleri birleştirerek deniz yüzeyi sıcaklığının tahmini,” Journal of Atmospheric and Oceanic Technology, cilt. 33, hayır. 8, s. 1715–1726, 2016.  [15] YG Ham, JH Kim, JJ Luo. “Çok yıllı ENSO tahminleri için derin öğrenme,” Nature, cilt. 573, hayır. 7775, s. 568–572, 2019.  [16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, ve diğerleri. “Üretici çekişmeli ağlar,” Sinirsel Bilgi İşleme Sistemlerinde Gelişmeler Bildirileri (NeurIPS), 2014.  [17] L. Yang, D. Zhang, GE Karniadakis. "Stokastik diferansiyel denklemler için fizik bilgili üretken çekişmeli ağlar," SIAM Journal on Scientific Computing, cilt. 42, hayır. 1, s. A292–A317, 2020.  [18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa, ve diğerleri. “Kıyı taşkın görselleştirmesi için fizik bilgili ¨ GAN'lar,” arXiv ön baskı arXiv:2010.08103, 2020.  [19] Q. Zheng, L. Zeng, GE Karniadakis, "Fizik bilgili anlamsal iç boyama: Jeoistatistiksel modellemeye uygulama", Journal of Computational Physics, cilt. 419, s. 1–10, 2020.  [20] X. Shi, Z. Chen, H. Wang, ve diğerleri. "Evrişimsel LSTM ağı: Yağış tahminleri için makine öğrenimi yaklaşımı", Sinir Bilgi İşleme Sistemlerinde Gelişmeler Bildirileri (NeurIPS), 2015.  [21] J. Gu, Z. Wang, J. Kuen, ve diğerleri. "Evrişimsel sinir ağlarındaki son gelişmeler", Desen Tanıma, s. 354–377, 2018.  [22] H. Ge, Z. Yan, W. Yu, ve diğerleri. “Video eylemi tanıma için dikkat mekanizması tabanlı evrişimli LSTM ağı,” Multimedya Araçları ve Uygulamaları', cilt. 78, hayır. 14, s. 20533–20556, 2019.  [23] W. Che ve S. Peng, "Evrişimli LSTM Ağları ve İnsan Hareketi Tanıma için RGB-D Video", IEEE Bilgi Teknolojisi ve Mekatronik Mühendisliği Konferansı (ITOEC) Bildirileri, 2018, s. 951–955.  [24] ID Lins, M. Araujo, ve diğerleri. “Destek vektör makineleriyle tropik Atlantik'teki deniz yüzeyi sıcaklığının tahmini,” Hesaplamalı İstatistik ve Veri Analizi, cilt. 61, s. 187–198, 2013.  [25] Patil K, Deo MC. “Yapay sinir ağları ile deniz yüzeyi sıcaklığının havza ölçeğinde tahmini,” Journal of Atmospheric and Oceanic Technology, cilt. 35, hayır. 7, s. 1441–1455, 2018.  [26] Q. Zhang, H. Wang, J. Dong, ve diğerleri. “Uzun kısa süreli hafıza kullanılarak deniz yüzeyi sıcaklığının tahmini,” IEEE Geoscience and Remote Sensing Letters, cilt. 14, hayır. 10, s. 1745–1749, 2017.  [27] Y. Yang, J. Dong, X. Sun X, ve diğerleri. “Deniz yüzeyi sıcaklığı tahmini için bir CFCC-LSTM modeli,” IEEE Geoscience and Remote Sensing Letters, cilt. 15, hayır. 2, s. 207–211, 2017.  [28] K. Patil, MC Deo, "Verimli sinir ağları kullanılarak günlük deniz yüzeyi sıcaklığının tahmini", Ocean Dynamics, cilt. 67, hayır. 3, s. 357–368, 2017.  [29] S. Ouala, C. Herzet, R. Fablet, “Yama düzeyinde sinir ağı temsillerini kullanarak deniz yüzeyi sıcaklığı tahmini ve yeniden inşası,” IEEE Uluslararası Yer Bilimleri ve Uzaktan Algılama Sempozyumu Bildirileri, 2018, s. 5628–5631.  [30] C. Shorten, TM Khoshgoftaar, "Derin öğrenme için görüntü verisi artırma üzerine bir araştırma", Journal of Big Data, cilt. 6, hayır. 1, s. 1–48, 2017.  [31] H. Bagherinezhad, M. Horton, M. Rastegari, ve diğerleri. "Etiket rafinerisi: Etiket ilerlemesi yoluyla Imagenet sınıflandırmasının iyileştirilmesi" arXiv ön baskı arXiv:1805.02641, 2018.  [32] K. Chatfield, K. Simonyan, A. Vedaldi, et al. "Ayrıntılarda şeytanın dönüşü: Evrişimli ağların derinliklerine inmek", Britanya Makine Görme Konferansı (BMVC) Bildirileri, 2014.  [33] A. Jurio, M. Pagola, M. Galar, et al. "Kümeleme tabanlı görüntü bölümlemede farklı renk uzaylarının karşılaştırma çalışması", Uluslararası Bilgi İşleme ve Bilgi Tabanlı Sistemlerde Belirsizliğin Yönetimi Konferansı Bildirileri, 2010, s. 532–541.  [34] S. You, J. Luo, H. Jin, ve diğerleri. "Aşamalı olarak eğitilen ve etki alanıyla aktarılan derin ağları kullanan güçlü görüntü duyarlılığı analizi", AAAI Yapay Zeka Konferansı Bildirileri, 2015, s. 381–388.  [35] Z. Zhong, L. Zheng, G. Kang, ve diğerleri. “Rastgele silinen veri artırma,” AAAI Yapay Zeka Konferansı Bildirileri, 2020, s. 13001–13008.  [36] T. DeVries, GW Taylor, "Kesme ile evrişimli sinir ağlarının geliştirilmiş düzenlileştirilmesi" arXiv ön baskı arXiv:1708.04552, 2017.  [37] A. Mikołajczyk, M. Grochowski, "Görüntü sınıflandırma probleminde derin öğrenmeyi iyileştirmek için veri artırma", Uluslararası Disiplinlerarası Doktora Çalıştayı Bildirileri (IIPhDW), 2018, s. 117–122.  [38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, "Deepfool: Derin sinir ağlarını kandırmak için basit ve doğru bir yöntem", IEEE Bilgisayarlı Görme ve Örüntü Tanıma Konferansı Bildirileri, 2016, s. 2574–2582 .  [39] J. Su, DV Vargas, K. Sakurai, “Derin sinir ağlarını kandırmak için bir piksel saldırısı,” IEEE Transactions on Evolutionary Computation, cilt. 23, hayır. 5, s. 828–841, 2019.  [40] M. Zajac, K. Zołna, N. Rostamzadeh, ve diğerleri. “Görüntü ve video sınıflandırması için çekişmeli çerçeveleme,” AAAI Yapay Zeka Konferansı Bildirileri, 2019, s. 10077-10078.  [41] S. Li, Y. Chen, Y. Peng, ve diğerleri. "Rekabetçi eğitimle daha sağlam özellikler öğrenmek" arXiv preprint arXiv:1804.07757, 2018.  [42] LA Gatys, AS Ecker, M. Bethge, “Sanatsal tarzın sinirsel algoritması,” Journal of Vision cilt. 16, hayır. 12, 2016.  [43] D. Ulyanov, A. Vedaldi, V. Lempitsky, "Örnek normalleştirme: Hızlı stilizasyon için eksik bileşen" arXiv ön baskı arXiv:1607.08022, 2016.  [44] P. Jackson, A. Abarghouei, S. Bonner, ve diğerleri. "Stil artırma: Stil rastgeleleştirme yoluyla veri artırma", IEEE Uluslararası Bilgisayarlı Görme ve Örüntü Tanıma (CVPR) Çalıştayı Bildirileri, 2019, s. 83-92.  [45] J. Tobin, R. Fong, A. Ray, ve diğerleri. “Derin sinir ağlarını simülasyondan gerçek dünyaya aktarmak için alan rastgeleleştirmesi,” IEEE Uluslararası Akıllı Robotlar ve Sistemler Konferansı (IROS) Bildirileri, 2017, s. 23–30.  [46] C. Summers ve M. Dinneen, “Geliştirilmiş karışık örnek veri artırma,” IEEE Bilgisayarlı Görme Uygulamaları Kış Konferansı Bildirileri (WACV), 2019, s. 1262–1270.  [47] D. Liang, F. Yang, T. Zhang, ve diğerleri. "Karışıklık eğitim yöntemlerini anlamak", IEEE Access, cilt. 6, s. 58774–58783, 2018.  [48] R. Takahashi, T. Matsubara, K. Uehara, "Derin CNN'ler için rastgele görüntü kırpma ve yama kullanarak büyütme", Video Teknolojisi için Devreler ve Sistemler Üzerinde IEEE İşlemleri, cilt. 30, hayır. 9, s. 2917– 2931, 2019.  [49] T. Konno ve M. Iwazume, "Pastanın üzerine krema: Derin öğrenmeden sonra deneyebileceğiniz kolay ve hızlı bir öğrenme sonrası yöntem" arXiv ön baskı arXiv:1807.06540, 2018.  [50] T. DeVries ve G. Taylor, "Özellik alanında veri kümesi büyütme" arXiv ön baskı arXiv:1702.05538, 2017.  [51] F. Moreno-Barea, F. Strazzera, J. Jerez, ve diğerleri. “Veri artırma için ileri gürültü ayarlama şeması,” Hesaplamalı Zeka Üzerine IEEE Sempozyum Serisi Bildirileri (SSCI), 2018, s. 728–734.  [52] M. Frid-Adar, D. Idit, E. Klang, ve diğerleri. "Karaciğer lezyonu sınıflandırmasında artan CNN performansı için GAN tabanlı sentetik tıbbi görüntü güçlendirme", Neurocomputing, cilt. 321, s. 321-331, 2018.  [53] J. Zhu, Y. Shen, D. Zhao, ve diğerleri. "Gerçek görüntü düzenleme için alan içi GAN ters çevirme," Avrupa Bilgisayarlı Görme Konferansı Bildirileri (ECCV), 2020, s. 592–608.  [54] Simonyan K, Zisserman A. “Büyük ölçekli görüntü tanıma için çok derin evrişimli ağlar,” Uluslararası Öğrenme Temsilleri Konferansı Bildirileri (ICLR), 2015, s. 1–14.  [55] GHRSST verileri, https://www.ghrsst.org (erişim: 3 Temmuz 2022)  [56] HYCOM verileri, https://www.hycom.org (erişim: 3 Temmuz 2022)  [57] Zhu JY, Krahenb¨uhl P, Shechtman E, ve diğerleri. “Doğal görüntü manifoldu üzerinde üretken görsel manipülasyon,” Avrupa Bilgisayarlı Görme Konferansı Bildirileri (ECCV), 2016, s. 597–613.  [58] A. Larsen, S. Sønderby, H. Larochelle, ve diğerleri. “Öğrenilmiş bir benzerlik metriğini kullanarak piksellerin ötesinde otomatik kodlama,” Uluslararası Makine Öğrenimi Konferansı Bildirileri (ICML), 2016, s. 1558–1566.   Bu makale   . arxiv'de CC 4.0 lisansı altında mevcuttur

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

Oceanography.Tech

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Boost your HackerNoon story @ $159.99! 🚀

Deniz Yüzeyi Sıcaklığı Tahmini için Derin Sinir Ağı: Referanslar

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Yapay Zekanın Gücünü Ortaya Çıkarıyoruz. En Son Tekniklerin Sistematik Bir İncelemesi: Özet ve Giriş

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Yapay Zekanın Gücünü Ortaya Çıkarıyoruz. En Son Tekniklerin Sistematik Bir İncelemesi: Özet ve Giriş

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps