Red neuronal profunda para la predicción de la temperatura de la superficie del mar: referencias

Tabla de enlaces

• Resumen e introducción
• Fondo
• Método propuesto
• Resultados experimentales y análisis
• conclusiones y trabajo futuro
• Referencias

REFERENCIAS

[1] AF Shchepetkin y JC McWilliams, “El sistema de modelado oceánico regional (ROMS): un modelo oceánico de topografía que sigue coordenadas, de superficie libre, explícito y dividido”, Ocean Modeling, vol. 9, núm. 4, págs. 347–404, 2005.

[2] R. Jacob, C. Schafer, I. Foster, et al. “Diseño computacional y rendimiento del modelo Fast Ocean Atmosphere”, Actas de la Conferencia Internacional sobre Ciencias Computacionales. 2001, págs. 175–184.

[3] C. Chen, RC Beardsley, G. Cowles, et al. “Un modelo oceánico costero de volumen finito y cuadrícula no estructurada: sistema FVCOM”, Oceanografía, vol. 19, núm. 1, págs. 78–89, 2015.

[4] EP Chassignet, HE Hurlburt, OM Smedstad, et al. “El sistema de asimilación de datos HYCOM (modelo oceánico híbrido de coordenadas)”, Journal of Marine Systems, vol. 65, núm. 1, págs. 60 a 83, 2007.

[5] Y. LeCun, Y. Bengio, G. Hinton. “Aprendizaje profundo”, Naturaleza, vol. 521, págs. 436–444, 2015.

[6] PC Bermant, MM Bronstein, RJ Wood, et al. “Técnicas de aprendizaje automático profundo para la detección y clasificación de la bioacústica del cachalote”, Scientific Reports, vol. 9, núm. 1, págs. 1 a 10, 2019.

[7] V. Allken V, NO Handegard, S. Rosen, et al. “Identificación de especies de peces mediante una red neuronal convolucional entrenada con datos sintéticos”, ICES Journal of Marine Science, vol. 76, núm. 1, págs. 342–349, 2019.

[8] E. Lima, X. Sun, J. Dong, et al. “Aprendizaje y transferencia de conocimientos sobre redes neuronales convolucionales para el reconocimiento del frente oceánico”, IEEE Geoscience and Remote Sensing Letters, vol. 14, núm. 3, págs. 354–358, 2017.

[9] L. Xu, X. Wang, X. Wang, “Detección de naufragios basada en una red de generación profunda y transferencia de aprendizaje con una pequeña cantidad de imágenes de sonar”, IEEE Data Driven Control and Learning Systems Conference (DDCLS), 2019, págs. 638–643.

[10] Y. Ren, X. Li, W. Zhang, “Un modelo de aprendizaje profundo basado en datos para la predicción semanal de la concentración de hielo marino del Panártico durante la temporada de deshielo”, IEEE Transactions on Geoscience and Remote Sensing, vol. 60, págs. 1 a 19, 2022.

[11] M. Reichstein, G. Camps-Valls, B. Stevens, et al. “Aprendizaje profundo y comprensión de procesos para la ciencia del sistema terrestre basada en datos”, Nature, vol. 566, núm. 7743, págs. 195-204, 2019.

[12] ND Brenowitz, CS Bretherton. “Validación de pronóstico de una parametrización física unificada de una red neuronal”, Geophysical Research Letters, vol. 45, núm. 12, págs. 6289–6298, 2018.

[13] O. Pannekoucke y R. Fablet. “PDE-NetGen 1.0: de representaciones simbólicas de ecuaciones diferenciales parciales (PDE) de procesos físicos a representaciones de redes neuronales entrenables”, Desarrollo de modelos geocientíficos, vol. 13, núm. 7, págs. 3373–3382, 2020.

[14] K. Patil, MC Deo, M. Ravichandran. “Predicción de la temperatura de la superficie del mar mediante la combinación de técnicas numéricas y neuronales”, Journal of Atmospheric and Oceanic Technology, vol. 33, núm. 8, págs. 1715-1726, 2016.

[15] YG Ham, JH Kim, JJ Luo. “Aprendizaje profundo para pronósticos ENOS plurianuales”, Nature, vol. 573, núm. 7775, págs. 568–572, 2019.

[16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, et al. “Redes generativas adversarias”, Actas de avances en sistemas de procesamiento de información neuronal (NeurIPS), 2014.

[17] L. Yang, D. Zhang, GE Karniadakis. “Redes adversarias generativas basadas en la física para ecuaciones diferenciales estocásticas”, Revista SIAM sobre Computación Científica, vol. 42, núm. 1, págs. A292–A317, 2020.

[18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa, et al. “GAN basadas en la física para la visualización de inundaciones costeras”, preimpresión de arXiv arXiv:2010.08103, 2020.

[19] Q. Zheng, L. Zeng, GE Karniadakis, “Pintura semántica basada en la física: aplicación al modelado geoestadístico”, Journal of Computational Physics, vol. 419, págs. 1 a 10, 2020.

[20] X. Shi, Z. Chen, H. Wang, et al. “Red LSTM convolucional: un enfoque de aprendizaje automático para la predicción inmediata de las precipitaciones”, Actas de avances en sistemas de procesamiento de información neuronal (NeurIPS), 2015.

[21] J. Gu, Z. Wang, J. Kuen, et al. "Avances recientes en redes neuronales convolucionales", Reconocimiento de patrones, págs. 354–377, 2018.

[22] H. Ge, Z. Yan, W. Yu, et al. “Una red LSTM convolucional basada en un mecanismo de atención para el reconocimiento de acciones de video”, Herramientas y aplicaciones multimedia, vol. 78, núm. 14, págs. 20533–20556, 2019.

[23] W. Che y S. Peng, “Convolutional LSTM Networks and RGB-D Video for Human Motion Recognition”, Actas de la Conferencia de Ingeniería Mecatrónica y Tecnología de la Información del IEEE (ITOEC), 2018, págs.

[24] ID Lins, M. Araujo, et al. “Predicción de la temperatura de la superficie del mar en el Atlántico tropical mediante máquinas de vectores de soporte”, Estadísticas computacionales y análisis de datos, vol. 61, págs. 187-198, 2013.

[25] Patil K, Deo M C. “Predicción a escala de cuenca de la temperatura de la superficie del mar con redes neuronales artificiales”, Journal of Atmospheric and Oceanic Technology, vol. 35, núm. 7, págs. 1441-1455, 2018.

[26] Q. Zhang, H. Wang, J. Dong, et al. “Predicción de la temperatura de la superficie del mar utilizando memoria a corto plazo”, IEEE Geoscience and Remote Sensing Letters, vol. 14, núm. 10, págs. 1745-1749, 2017.

[27] Y. Yang, J. Dong, X. Sun X, et al. “Un modelo CFCC-LSTM para la predicción de la temperatura de la superficie del mar”, IEEE Geoscience and Remote Sensing Letters, vol. 15, núm. 2, págs. 207–211, 2017.

[28] K. Patil, MC Deo, “Predicción de la temperatura diaria de la superficie del mar utilizando redes neuronales eficientes”, Ocean Dynamics, vol. 67, núm. 3, págs. 357–368, 2017.

[29] S. Ouala, C. Herzet, R. Fablet, “Predicción y reconstrucción de la temperatura de la superficie del mar utilizando representaciones de redes neuronales a nivel de parche”, Actas del Simposio internacional de geociencia y teledetección del IEEE, 2018, págs.

[30] C. Shorten, TM Khoshgoftaar, “Una encuesta sobre el aumento de datos de imágenes para el aprendizaje profundo”, Journal of Big Data, vol. 6, núm. 1, págs. 1 a 48, 2017.

[31] H. Bagherinezhad, M. Horton, M. Rastegari, et al. “Refinería de etiquetas: mejora de la clasificación de Imagenet a través de la progresión de etiquetas”, preimpresión de arXiv arXiv:1805.02641, 2018.

[32] K. Chatfield, K. Simonyan, A. Vedaldi, et al. “El regreso del diablo en los detalles: profundizando en las redes convolucionales”, Actas de la Conferencia Británica de Visión Artificial (BMVC), 2014.

[33] A. Jurio, M. Pagola, M. Galar, et al. “Un estudio comparativo de diferentes espacios de color en la segmentación de imágenes basada en agrupaciones”, Actas de la Conferencia Internacional sobre Procesamiento de Información y Gestión de la Incertidumbre en Sistemas Basados en el Conocimiento, 2010, págs.

[34] P. Usted, J. Luo, H. Jin, et al. “Análisis robusto del sentimiento de imagen utilizando redes profundas entrenadas progresivamente y transferidas de dominio”, Actas de la Conferencia AAAI sobre Inteligencia Artificial, 2015, págs.

[35] Z. Zhong, L. Zheng, G. Kang, et al. “Aumento de datos de borrado aleatorio”, Actas de la Conferencia AAAI sobre Inteligencia Artificial, 2020, págs. 13001–13008.

[36] T. DeVries, GW Taylor, “Regularización mejorada de redes neuronales convolucionales con Cutout”, preimpresión de arXiv arXiv:1708.04552, 2017.

[37] A. Mikołajczyk, M. Grochowski, “Aumento de datos para mejorar el aprendizaje profundo en problemas de clasificación de imágenes”, Actas del taller internacional de doctorado interdisciplinario (IIPhDW), 2018, págs.

[38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, “Deepfool: un método simple y preciso para engañar a las redes neuronales profundas”, Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones, 2016, págs. .

[39] J. Su, DV Vargas, K. Sakurai, “Ataque de un píxel para engañar a redes neuronales profundas”, IEEE Transactions on Evolutionary Computation, vol. 23, núm. 5, págs. 828–841, 2019.

[40] M. Zajac, K. Zołna, N. Rostamzadeh, et al. “Encuadre adversario para la clasificación de imágenes y videos”, Actas de la Conferencia AAAI sobre Inteligencia Artificial, 2019, págs. 10077-10078.

[41] S. Li, Y. Chen, Y. Peng, et al. "Aprender funciones más sólidas con entrenamiento adversario", preimpresión de arXiv arXiv:1804.07757, 2018.

[42] LA Gatys, AS Ecker, M. Bethge, “Un algoritmo neuronal de estilo artístico”, Journal of Vision vol. 16, núm. 12, 2016.

[43] D. Ulyanov, A. Vedaldi, V. Lempitsky, “Normalización de instancias: el ingrediente que falta para una estilización rápida”, preimpresión de arXiv arXiv:1607.08022, 2016.

[44] P. Jackson, A. Abarghouei, S. Bonner, et al. “Aumento de estilo: aumento de datos mediante aleatorización de estilo”, Actas del taller de la Conferencia internacional IEEE sobre visión por computadora y reconocimiento de patrones (CVPR), 2019, págs.

[45] J. Tobin, R. Fong, A. Ray, et al. “Aleatorización de dominios para transferir redes neuronales profundas de la simulación al mundo real”, Actas de la Conferencia Internacional IEEE sobre Robots y Sistemas Inteligentes (IROS), 2017, págs.

[46] C. Summers y M. Dinneen, “Aumento de datos mejorado con ejemplos mixtos”, Actas de la Conferencia de invierno del IEEE sobre aplicaciones de visión por computadora (WACV), 2019, págs.

[47] D. Liang, F. Yang, T. Zhang, et al. “Comprensión de los métodos de entrenamiento Mixup”, IEEE Access, vol. 6, págs. 58774–58783, 2018.

[48] R. Takahashi, T. Matsubara, K. Uehara, “Aumento mediante recorte y parcheo de imágenes aleatorios para CNN profundas”, IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, núm. 9, págs. 2917–2931, 2019.

[49] T. Konno y M. Iwazume, “La guinda del pastel: un método de posaprendizaje fácil y rápido que puedes probar después del aprendizaje profundo”, preimpresión de arXiv arXiv:1807.06540, 2018.

[50] T. DeVries y G. Taylor, “Aumento del conjunto de datos en el espacio de características”, preimpresión de arXiv arXiv:1702.05538, 2017.

[51] F. Moreno-Barea, F. Strazzera, J. Jerez, et al. “Esquema de ajuste de ruido directo para el aumento de datos”, Actas de la serie de simposios IEEE sobre inteligencia computacional (SSCI), 2018, págs.

[52] M. Frid-Adar, D. Idit, E. Klang, et al. “Aumento de imágenes médicas sintéticas basado en GAN para aumentar el rendimiento de CNN en la clasificación de lesiones hepáticas”, Neurocomputing, vol. 321, págs. 321-331, 2018.

[53] J. Zhu, Y. Shen, D. Zhao, et al. “Inversión de GAN en el dominio para la edición de imágenes reales”, Actas de la Conferencia europea sobre visión por computadora (ECCV), 2020, págs.

[54] Simonyan K, Zisserman A. “Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala”, Actas de la Conferencia Internacional sobre Representaciones del Aprendizaje (ICLR), 2015, págs.

[55] Datos de GHRSST, https://www.ghrsst.org (consultado: 3 de julio de 2022)

[56] Datos de HYCOM, https://www.hycom.org (consultado: 3 de julio de 2022)

[57] Zhu JY, Krahenb ¨ uhl P, Shechtman E, et al. “Manipulación visual generativa en la variedad de imágenes naturales”, Actas de la Conferencia europea sobre visión por computadora (ECCV), 2016, págs.

[58] A. Larsen, S. Sønderby, H. Larochelle, et al. “Codificación automática más allá de los píxeles utilizando una métrica de similitud aprendida”, Actas de la Conferencia Internacional sobre Aprendizaje Automático (ICML), 2016, págs. 1558–1566.