tác giả:  (1) Ngọc Tân Mạnh;  (2) Phùng Cao;  (3) Eric Rigall;  (4) Chạy Đông;  (5) Junyu Đồng;  (6) Càn Độ.  Bảng liên kết   Tóm tắt và giới thiệu   Lý lịch   Phương án đề xuất   Kết quả và phân tích thí nghiệm   Kết luận và công việc tương lai   Người giới thiệu  NGƯỜI GIỚI THIỆU  [1] AF Shchepetkin và JC McWilliams, “Hệ thống mô hình đại dương khu vực (ROMS): Mô hình đại dương phân chia rõ ràng, bề mặt tự do, địa hình theo tọa độ,” Mô hình đại dương, tập. 9, không. 4, trang 347–404, 2005.  [2] R. Jacob, C. Schafer, I. Foster và những người khác. “Thiết kế tính toán và hiệu suất của Mô hình Khí quyển Đại dương Nhanh”, Kỷ yếu của Hội nghị Quốc tế về Khoa học Tính toán. 2001, trang 175–184.  [3] C. Chen, RC Beardsley, G. Cowles, và cộng sự. “Mô hình đại dương ven biển có lưới phi cấu trúc, thể tích hữu hạn: hệ thống FVCOM,” Hải dương học, tập. 19, không. 1, trang 78–89, 2015.  [4] EP Chsignet, HE Hurlburt, OM Smedstad, và cộng sự. “Hệ thống đồng hóa dữ liệu HYCOM (mô hình đại dương tọa độ lai),” Tạp chí Hệ thống Hàng hải, tập. 65, không. 1, trang 60–83, 2007.  [5] Y. LeCun, Y. Bengio, G. Hinton. “Học sâu,” Tự nhiên, tập. 521, trang 436–444, 2015.  [6] PC Bermant, MM Bronstein, RJ Wood, và những người khác. “Các kỹ thuật học máy sâu để phát hiện và phân loại âm thanh sinh học của cá nhà táng,” Báo cáo khoa học, tập. 9, không. 1, trang 1–10, 2019.  [7] V. Allken V, NO Handegard, S. Rosen, và cộng sự. “Nhận dạng loài cá bằng cách sử dụng mạng lưới thần kinh tích chập được huấn luyện trên dữ liệu tổng hợp,” Tạp chí Khoa học Hàng hải ICES, tập. 76, không. 1, trang 342–349, 2019.  [8] E. Lima, X. Sun, J. Dong, và những người khác. “Học tập và chuyển giao kiến thức về mạng lưới thần kinh tích chập sang nhận dạng phía trước đại dương,” IEEE Geoscience và Remote Sensing Letters, tập. 14, không. 3, trang 354–358, 2017.  [9] L. Xu, X. Wang, X. Wang, “Phát hiện xác tàu đắm dựa trên mạng thế hệ sâu và chuyển giao việc học với một lượng nhỏ hình ảnh sóng siêu âm,” Hội nghị Hệ thống Học tập và Điều khiển Theo Hướng Dữ liệu của IEEE (DDCLS), 2019, trang. 638–643.  [10] Y. Ren, X. Li, W. Zhang, “Mô hình học sâu dựa trên dữ liệu để dự đoán nồng độ băng biển hàng tuần của Pan-Bắc Cực trong mùa tan chảy,” Giao dịch của IEEE về Khoa học Địa chất và Viễn thám, tập. 60, trang 1–19, 2022.  [11] M. Reichstein, G. Camps-Valls, B. Stevens, và những người khác. “Học sâu và hiểu biết về quy trình dành cho khoa học hệ thống Trái đất dựa trên dữ liệu,” Nature, tập. 566, không. 7743, trang 195–204, 2019.  [12] ND Brenowitz, CS Bretherton. “Xác nhận tiên lượng của tham số hóa vật lý thống nhất mạng lưới thần kinh,” Thư nghiên cứu địa vật lý, tập. 45, không. 12, trang 6289–6298, 2018.  [13] O. Pannekoucke và R. Fablet. “PDE-NetGen 1.0: từ các biểu diễn phương trình vi phân từng phần (PDE) tượng trưng của các quá trình vật lý đến các biểu diễn mạng thần kinh có thể huấn luyện được,” Phát triển mô hình khoa học địa chất, tập. 13, không. 7, trang 3373–3382, 2020.  [14] K. Patil, MC Deo, M. Ravichandran. “Dự đoán nhiệt độ mặt nước biển bằng cách kết hợp các kỹ thuật số và thần kinh,” Tạp chí Công nghệ Khí quyển và Đại dương, tập. 33, không. 8, trang 1715–1726, 2016.  [15] YG Ham, JH Kim, JJ Luo. “Học sâu để dự báo ENSO nhiều năm,” Nature, tập. 573, không. 7775, trang 568–572, 2019.  [16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, và cộng sự. “Mạng lưới đối nghịch sáng tạo,” Kỉ yếu về những tiến bộ trong Hệ thống xử lý thông tin thần kinh (NeurIPS), 2014.  [17] L. Yang, D. Zhang, GE Karniadakis. “Mạng lưới đối nghịch tổng hợp được cung cấp thông tin vật lý cho các phương trình vi phân ngẫu nhiên,” Tạp chí SIAM về Máy tính Khoa học, tập. 42, không. 1, trang A292–A317, 2020.  [18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa, và cộng sự. “GAN được cung cấp thông tin vật lý để trực quan hóa lũ lụt ven biển,” bản in trước arXiv arXiv:2010.08103, 2020.  [19] Q. Zheng, L. Zeng, GE Karniadakis, “Inpainting ngữ nghĩa thông tin vật lý: Ứng dụng vào mô hình địa thống kê,” Tạp chí Vật lý tính toán, tập. 419, trang 1–10, 2020.  [20] X. Shi, Z. Chen, H. Wang, và cộng sự. “Mạng LSTM tích chập: Một phương pháp học máy để phát sóng lượng mưa,” Kỷ yếu về những tiến bộ trong Hệ thống xử lý thông tin thần kinh (NeurIPS), 2015.  [21] J. Gu, Z. Wang, J. Kuen, và những người khác. “Những tiến bộ gần đây trong mạng lưới thần kinh tích chập,” Nhận dạng mẫu, trang 354–377, 2018.  [22] H. Ge, Z. Yan, W. Yu, và những người khác. “Mạng LSTM tích chập dựa trên cơ chế chú ý để nhận dạng hành động video,” Công cụ và ứng dụng đa phương tiện', tập. 78, không. 14, trang 20533–20556, 2019.  [23] W. Che và S. Peng, “Mạng LSTM tích chập và video RGB-D để nhận dạng chuyển động của con người,” Kỷ yếu của Hội nghị Kỹ thuật Cơ điện tử và Công nghệ Thông tin IEEE (ITOEC), 2018, trang 951–955.  [24] ID Lins, M. Araujo, và cộng sự. “Dự đoán nhiệt độ mặt nước biển ở vùng nhiệt đới Đại Tây Dương bằng máy vectơ hỗ trợ,” Thống kê tính toán và phân tích dữ liệu, tập. 61, trang 187–198, 2013.  [25] Patil K, Deo MC. “Dự đoán nhiệt độ mặt nước biển ở quy mô lưu vực bằng mạng lưới thần kinh nhân tạo,” Tạp chí Công nghệ Khí quyển và Đại dương, tập. 35, không. 7, trang 1441–1455, 2018.  [26] Q. Zhang, H. Wang, J. Dong, và những người khác. “Dự đoán nhiệt độ mặt nước biển bằng trí nhớ ngắn hạn dài,” Thư từ khoa học địa chất và viễn thám của IEEE, tập. 14, không. 10, trang 1745–1749, 2017.  [27] Y. Yang, J. Dong, X. Sun X, và những người khác. “Mô hình CFCC-LSTM để dự đoán nhiệt độ mặt nước biển,” IEEE Geoscience và Remote Sensing Letters, tập. 15, không. 2, trang 207–211, 2017.  [28] K. Patil, MC Deo, “Dự đoán nhiệt độ mặt nước biển hàng ngày bằng cách sử dụng mạng lưới thần kinh hiệu quả,” Ocean Dynamics, tập. 67, không. 3, trang 357–368, 2017.  [29] S. Oala, C. Herzet, R. Fablet, “Dự đoán và tái thiết nhiệt độ mặt nước biển bằng cách sử dụng các biểu diễn mạng thần kinh ở cấp độ bản vá,” Kỷ yếu của Hội nghị chuyên đề về khoa học địa chất và viễn thám quốc tế của IEEE, 2018, trang 5628–5631.  [30] C. Shorten, TM Khoshgoftaar, “Một cuộc khảo sát về tăng cường dữ liệu hình ảnh cho học sâu,” Tạp chí Dữ liệu lớn, tập. 6, không. 1, trang 1–48, 2017.  [31] H. Bagherinezhad, M. Horton, M. Rastegari, và những người khác. “Nhà máy lọc nhãn: Cải thiện phân loại Imagenet thông qua quá trình phát triển nhãn,” bản in trước arXiv arXiv:1805.02641, 2018.  [32] K. Chatfield, K. Simonyan, A. Vedaldi, và cộng sự. “Sự trở lại của ma quỷ trong các chi tiết: Đi sâu vào các mạng phức tạp,” Kỷ yếu của Hội nghị Thị giác Máy của Anh (BMVC), 2014.  [33] A. Jurio, M. Pagola, M. Galar, và những người khác. “Một nghiên cứu so sánh về các không gian màu khác nhau trong phân đoạn hình ảnh dựa trên phân cụm,” Kỷ yếu của Hội nghị Quốc tế về Xử lý Thông tin và Quản lý Sự không chắc chắn trong Hệ thống Dựa trên Tri thức, 2010, trang 532–541.  [34] Q. You, J. Luo, H. Jin, và cộng sự. “Phân tích cảm xúc hình ảnh mạnh mẽ bằng cách sử dụng các mạng sâu được đào tạo dần dần và chuyển miền,” Kỷ yếu của Hội nghị AAAI về Trí tuệ nhân tạo, 2015, trang 381–388.  [35] Z. Zhong, L. Zheng, G. Kang, và những người khác. “Tăng cường dữ liệu xóa ngẫu nhiên,” Kỷ yếu của Hội nghị AAAI về Trí tuệ nhân tạo, 2020, trang 13001–13008.  [36] T. DeVries, GW Taylor, “Cải thiện việc chính quy hóa mạng nơ ron tích chập với Cutout,” bản in trước arXiv arXiv:1708.04552, 2017.  [37] A. Mikołajczyk, M. Grochowski, “Tăng cường dữ liệu để cải thiện việc học sâu trong vấn đề phân loại hình ảnh,” Kỷ yếu của hội thảo Tiến sĩ liên ngành quốc tế (IIPhDW), 2018, trang 117–122.  [38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, “Deepfool: Một phương pháp đơn giản và chính xác để đánh lừa các mạng lưới thần kinh sâu,” Kỷ yếu của Hội nghị IEEE về Thị giác máy tính và Nhận dạng mẫu, 2016, trang 2574–2582 .  [39] J. Su, DV Vargas, K. Sakurai, “Tấn công một pixel để đánh lừa các mạng lưới thần kinh sâu,” Giao dịch của IEEE về tính toán tiến hóa, tập. 23, không. 5, trang 828–841, 2019.  [40] M. Zajac, K. Zołna, N. Rostamzadeh, và những người khác. “Khung hình đối nghịch để phân loại hình ảnh và video,” Kỷ yếu của Hội nghị AAAI về Trí tuệ nhân tạo, 2019, trang 10077-10078.  [41] S. Li, Y. Chen, Y. Peng, và những người khác. “Tìm hiểu các tính năng mạnh mẽ hơn thông qua đào tạo đối nghịch,” bản in trước arXiv arXiv:1804.07757, 2018.  [42] LA Gatys, AS Ecker, M. Bethge, “Thuật toán thần kinh của phong cách nghệ thuật,” Tạp chí Tầm nhìn tập. 16, không. Ngày 12 năm 2016.  [43] D. Ulyanov, A. Vedaldi, V. Lempitsky, “Chuẩn hóa phiên bản: Thành phần còn thiếu để cách điệu nhanh,” bản in trước arXiv arXiv:1607.08022, 2016.  [44] P. Jackson, A. Abarghouei, S. Bonner, và cộng sự. “Tăng cường kiểu: Tăng cường dữ liệu thông qua ngẫu nhiên hóa kiểu,” Kỷ yếu của Hội thảo Quốc tế IEEE về Thị giác máy tính và Nhận dạng mẫu (CVPR), 2019, trang 83–92.  [45] J. Tobin, R. Fong, A. Ray, và những người khác. “Ngẫu nhiên hóa miền để chuyển mạng lưới thần kinh sâu từ mô phỏng sang thế giới thực,” Kỷ yếu của Hội nghị Quốc tế IEEE về Robot và Hệ thống Thông minh (IROS), 2017, trang 23–30.  [46] C. Summers và M. Dinneen, “Cải thiện việc tăng cường dữ liệu ví dụ hỗn hợp,” Kỷ yếu của Hội nghị mùa đông IEEE về các ứng dụng của Thị giác máy tính (WACV), 2019, trang 1262–1270.  [47] D. Liang, F. Yang, T. Zhang, và cộng sự. “Tìm hiểu các phương pháp đào tạo Mixup,” IEEE Access, tập. 6, trang 58774–58783, 2018.  [48] R. Takahashi, T. Matsubara, K. Uehara, “Tăng cường bằng cách cắt và vá hình ảnh ngẫu nhiên cho các CNN sâu,” Giao dịch của IEEE về Mạch và Hệ thống cho Công nghệ Video, tập. 30, không. 9, trang 2917–2931, 2019.  [49] T. Konno và M. Iwazume, “Icing on the cake: Một phương pháp hậu học dễ dàng và nhanh chóng mà bạn có thể thử sau khi học sâu,” arXiv in trước arXiv:1807.06540, 2018.  [50] T. DeVries và G. Taylor, “Tăng cường tập dữ liệu trong không gian tính năng,” bản in trước arXiv arXiv:1702.05538, 2017.  [51] F. Moreno-Barea, F. Strazzera, J. Jerez, và cộng sự. “Kế hoạch điều chỉnh tiếng ồn chuyển tiếp để tăng cường dữ liệu,” Kỷ yếu của Chuỗi hội nghị chuyên đề của IEEE về Trí tuệ tính toán (SSCI), 2018, trang 728–734.  [52] M. Frid-Adar, D. Idit, E. Klang, và cộng sự. “Tăng cường hình ảnh y tế tổng hợp dựa trên GAN để tăng hiệu suất CNN trong phân loại tổn thương gan,” Neurocomputing, tập. 321, trang 321-331, 2018.  [53] J. Zhu, Y. Shen, D. Zhao, và cộng sự. “Đảo ngược GAN trong miền để chỉnh sửa hình ảnh thực,” Kỷ yếu của Hội nghị Châu Âu về Thị giác Máy tính (ECCV), 2020, trang 592–608.  [54] Simonyan K, Zisserman A. “Mạng tích chập rất sâu để nhận dạng hình ảnh quy mô lớn,” Kỷ yếu của Hội nghị Quốc tế về Biểu diễn Học tập (ICLR), 2015, trang 1–14.  [55] Dữ liệu GHRSST, https://www.ghrsst.org (truy cập: ngày 3 tháng 7 năm 2022)  [56] Dữ liệu HYCOM, https://www.hycom.org (truy cập: ngày 3 tháng 7 năm 2022)  [57] Zhu JY, Krahenb ¨ uhl P, Shechtman E, et al. “Tạo hình ảnh tổng hợp trên đa dạng hình ảnh tự nhiên,” Kỷ yếu của Hội nghị Châu Âu về Thị giác Máy tính (ECCV), 2016, trang 597–613.  [58] A. Larsen, S. Sønderby, H. Larochelle, và cộng sự. “Tự động mã hóa ngoài pixel bằng cách sử dụng số liệu tương tự đã học,” Kỷ yếu của Hội nghị Quốc tế về Học máy (ICML), 2016, trang 1558–1566.   Bài viết này   theo giấy phép CC 4.0. có sẵn trên arxiv

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

Oceanography.Tech

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

Boost your HackerNoon story @ $159.99! 🚀

Mạng lưới thần kinh sâu để dự đoán nhiệt độ bề mặt biển: Tài liệu tham khảo

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

85 Stories To Learn About Productivity Hacks

72 Stories To Learn About Adam Smith

189 Stories To Learn About Reading Books

85 Stories To Learn About Productivity Hacks

72 Stories To Learn About Adam Smith

189 Stories To Learn About Reading Books

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps