用于海面温度预测的深度神经网络：参考文献

链接表

• 摘要和简介
• 背景
• 提出的方法
• 实验结果与分析
• 结论和未来工作
• 参考

参考

[1] AF Shchepetkin 和 JC McWilliams，“区域海洋建模系统 (ROMS)：分裂显式、自由表面、地形跟随坐标的海洋模型”，海洋建模，第 9 卷，第 4 期，第 347-404 页，2005 年。

[2] R. Jacob、C. Schafer、I. Foster 等人，“快速海洋大气模型的计算设计和性能”，国际计算科学会议论文集。2001 年，第 175-184 页。

[3] C. Chen、RC Beardsley、G. Cowles 等人，“非结构化网格、有限体积沿海海洋模型：FVCOM 系统”，海洋学，第 19 卷，第 1 期，第 78-89 页，2015 年。

[4] EP Chassignet、HE Hurlburt、OM Smedstad 等人，“HYCOM（混合坐标海洋模型）数据同化系统”，《海洋系统杂志》，第 65 卷，第 1 期，第 60-83 页，2007 年。

[5] Y. LeCun，Y. Bengio，G. Hinton。“深度学习”，《自然》，第 521 卷，第 436-444 页，2015 年。

[6] PC Bermant、MM Bronstein、RJ Wood 等人，“用于检测和分类抹香鲸生物声学的深度机器学习技术”，《科学报告》，第 9 卷，第 1 期，第 1-10 页，2019 年。

[7] V. Allken V、NO Handegard、S. Rosen 等人，“使用基于合成数据训练的卷积神经网络进行鱼类物种识别”，ICES 海洋科学杂志，第 76 卷，第 1 期，第 342-349 页，2019 年。

[8] E. Lima、X. Sun、J. Dong 等人，“学习和传输卷积神经网络知识以进行海洋前沿识别”，IEEE 地球科学和遥感快报，第 14 卷，第 3 期，第 354-358 页，2017 年。

[9] L. Xu, X. Wang, X. Wang，“基于深度生成网络和迁移学习的少量声纳图像沉船检测”，IEEE 数据驱动控制和学习系统会议 (DDCLS)，2019 年，第 638-643 页。

[10] Y. Ren, X. Li, W. Zhang，“基于数据驱动的深度学习模型，用于融化季节泛北极地区每周海冰浓度预测”，IEEE 地球科学与遥感学报，第 60 卷，第 1-19 页，2022 年。

[11] M. Reichstein、G. Camps-Valls、B. Stevens 等人。“数据驱动的地球系统科学的深度学习和过程理解”，《自然》，第 566 卷，第 7743 期，第 195-204 页，2019 年。

[12] ND Brenowitz、C S Bretherton。“神经网络统一物理参数化的预测验证”，地球物理研究通报，第 45 卷，第 12 期，第 6289-6298 页，2018 年。

[13] O. Pannekoucke 和 R. Fablet。“PDE-NetGen 1.0：从物理过程的符号偏微分方程 (PDE) 表示到可训练的神经网络表示”，地球科学模型开发，第 13 卷，第 7 期，第 3373-3382 页，2020 年。

[14] K. Patil、MC Deo、M. Ravichandran。“结合数值和神经技术预测海面温度”，《大气与海洋技术杂志》，第 33 卷，第 8 期，第 1715-1726 页，2016 年。

[15] YG Ham、JH Kim、JJ Luo。“深度学习用于多年期 ENSO 预测”，《自然》，第 573 卷，第 7775 期，第 568-572 页，2019 年。

[16] I. Goodfellow、J. Pouget-Abadie、M. Mirza 等人，《生成对抗网络》，《神经信息处理系统进展论文集》（NeurIPS），2014 年。

[17] L. Yang、D. Zhang、GE Karniadakis。“基于物理的随机微分方程生成对抗网络”，SIAM Journal on Scientific Computing，第 42 卷，第 1 期，第 A292-A317 页，2020 年。

[18] B. Lutjens、B. Leshchinskiy、C. Requena-Mesa 等人。“基于物理信息的 GAN 用于沿海洪水可视化”，arXiv 预印本 arXiv:2010.08103，2020 年。

[19] Q. Zheng、L. Zeng、GE Karniadakis，“基于物理信息的语义修复：应用于地理统计建模”，《计算物理杂志》，第 419 卷，第 1-10 页，2020 年。

[20] X. Shi, Z. Chen, H. Wang 等人，“卷积 LSTM 网络：一种用于降水预报的机器学习方法”，神经信息处理系统进展论文集（NeurIPS），2015 年。

[21] J. Gu、Z. Wang、J. Kuen 等人。“卷积神经网络的最新进展”，《模式识别》，第 354-377 页，2018 年。

[22] H. Ge, Z. Yan, W. Yu 等人，“基于注意力机制的卷积 LSTM 网络用于视频动作识别”，《多媒体工具与应用》，第 78 卷，第 14 期，第 20533-20556 页，2019 年。

[23] W. Che 和 S. Peng，“用于人体运动识别的卷积 LSTM 网络和 RGB-D 视频”，IEEE 信息技术和机电一体化工程会议 (ITOEC) 论文集，2018 年，第 951-955 页。

[24] ID Lins、M. Araujo 等人，“通过支持向量机预测热带大西洋海面温度”，计算统计与数据分析，第 61 卷，第 187-198 页，2013 年。

[25] Patil K、Deo M C.“利用人工神经网络对盆地尺度海面温度进行预测”，《大气与海洋技术杂志》，第 35 卷，第 7 期，第 1441-1455 页，2018 年。

[26] Q. Zhang, H. Wang, J. Dong 等人，“利用长短期记忆预测海面温度”，IEEE 地球科学与遥感快报，第 14 卷，第 10 期，第 1745-1749 页，2017 年。

[27] Y. Yang, J. Dong, X. Sun X 等，“用于海面温度预测的 CFCC-LSTM 模型”，IEEE 地球科学与遥感快报，第 15 卷，第 2 期，第 207-211 页，2017 年。

[28] K. Patil、MC Deo，“使用高效神经网络预测每日海面温度”，海洋动力学，第 67 卷，第 3 期，第 357-368 页，2017 年。

[29] S. Ouala、C. Herzet 和 R. Fablet，“使用斑块级神经网络表示进行海面温度预测和重建”，IEEE 国际地球科学和遥感研讨会论文集，2018 年，第 5628-5631 页。

[30] C. Shorten、TM Khoshgoftaar，“深度学习的图像数据增强调查”，《大数据杂志》，第 6 卷，第 1 期，第 1-48 页，2017 年。

[31] H. Bagherinezhad、M. Horton、M. Rastegari 等人。“标签精炼：通过标签进展改进 Imagenet 分类”，arXiv 预印本 arXiv:1805.02641，2018 年。

[32] K. Chatfield、K. Simonyan、A. Vedaldi 等人，“细节中的魔鬼回归：深入研究卷积网络”，英国机器视觉会议 (BMVC) 论文集，2014 年。

[33] A. Jurio、M. Pagola、M. Galar 等人，“基于聚类的图像分割中不同颜色空间的比较研究”，《知识系统信息处理与不确定性管理国际会议论文集》，2010 年，第 532-541 页。

[34] Q. You, J. Luo, H. Jin 等，“使用渐进式训练和领域转移深度网络进行稳健图像情绪分析”，AAAI 人工智能会议论文集，2015 年，第 381-388 页。

[35] Z. Zhong, L. Zheng, G. Kang 等人。“随机擦除数据增强”，AAAI 人工智能会议论文集，2020 年，第 13001-13008 页。

[36] T. DeVries、GW Taylor，“使用 Cutout 改进卷积神经网络的正则化”，arXiv 预印本 arXiv:1708.04552，2017 年。

[37] A.Mikołajczyk、M.Grochowski，“数据增强用于改进图像分类问题中的深度学习”，国际跨学科博士研讨会（IIPhDW）论文集，2018 年，第 117-122 页。

[38] SM Moosavi-Dezfooli、A. Fawzi 和 P. Frossard，“Deepfool：一种简单而准确的欺骗深度神经网络的方法”，IEEE 计算机视觉与模式识别会议论文集，2016 年，第 2574-2582 页。

[39] J. Su、DV Vargas、K. Sakurai，“欺骗深度神经网络的单像素攻击”，《IEEE 进化计算学报》，第 23 卷，第 5 期，第 828-841 页，2019 年。

[40] M. Zajac、K. Zołna、N. Rostamzadeh 等人。《图像和视频分类的对抗性框架》，AAAI 人工智能会议论文集，2019 年，第 10077-10078 页。

[41] S. Li, Y. Chen, Y. Peng 等人，“通过对抗训练学习更稳健的特征”，arXiv 预印本 arXiv:1804.07757，2018 年。

[42] LA Gatys、AS Ecker、M. Bethge，“艺术风格的神经算法”，《视觉杂志》第 16 卷，第 12 期，2016 年。

[43] D. Ulyanov、A. Vedaldi、V. Lempitsky，“实例规范化：快速风格化所缺少的要素”，arXiv 预印本 arXiv:1607.08022，2016 年。

[44] P. Jackson、A. Abarghouei、S. Bonner 等人，“风格增强：通过风格随机化进行数据增强”，IEEE 国际计算机视觉与模式识别会议 (CVPR) 研讨会论文集，2019 年，第 83-92 页。

[45] J. Tobin、R. Fong、A. Ray 等人，“域随机化用于将深度神经网络从模拟转移到现实世界”，IEEE 智能机器人与系统国际会议 (IROS) 论文集，2017 年，第 23-30 页。

[46] C. Summers 和 M. Dinneen，《改进的混合示例数据增强》，IEEE 计算机视觉应用冬季会议（WACV）论文集，2019 年，第 1262-1270 页。

[47] D. Liang, F. Yang, T. Zhang 等人，“了解 Mixup 训练方法”，IEEE Access，第 6 卷，第 58774-58783 页，2018 年。

[48] R. Takahashi、T. Matsubara、K. Uehara，“使用随机图像裁剪和修补对深度 CNN 进行增强”，《IEEE 视频技术电路与系统学报》，第 30 卷，第 9 期，第 2917-2931 页，2019 年。

[49] T. Konno 和 M. Iwazume，“锦上添花：深度学习后可以尝试的一种简单快捷的后学习方法”，arXiv 预印本 arXiv:1807.06540，2018 年。

[50] T. DeVries 和 G. Taylor，“特征空间中的数据集增强”，arXiv 预印本 arXiv:1702.05538，2017 年。

[51] F. Moreno-Barea、F. Strazzera、J. Jerez 等人，“数据增强的前向噪声调整方案”，IEEE 计算智能研讨会系列论文集 (SSCI)，2018 年，第 728-734 页。

[52] M. Frid-Adar、D. Idit、E. Klang 等人，“基于 GAN 的合成医学图像增强可提高 CNN 在肝病变分类中的表现”，《神经计算》，第 321 卷，第 321-331 页，2018 年。

[53] J. Zhu, Y. Shen, D. Zhao 等人，“用于真实图像编辑的域内 GAN 逆向”，欧洲计算机视觉会议论文集（ECCV），2020 年，第 592-608 页。

[54] Simonyan K、Zisserman A.“用于大规模图像识别的超深卷积网络”，国际学习表征会议论文集（ICLR），2015 年，第 1-14 页。

[55] GHRSST 数据，https://www.ghrsst.org（访问时间：2022 年 7 月 3 日）

[56] HYCOM 数据，https://www.hycom.org（访问时间：2022 年 7 月 3 日）

[57] Zhu JY、Krahenb uhl P、Shechtman E 等人，“自然图像流形上的生成视觉操作”，欧洲计算机视觉会议论文集（ECCV），2016 年，第 597-613 页。

[58] A. Larsen、S. Sønderby、H. Larochelle 等人，“使用学习到的相似性度量实现超越像素的自动编码”，国际机器学习会议论文集（ICML），2016 年，第 1558-1566 页。