- No1.EddyNet: A Deep Neural Network For Pixel-Wise Classification of Oceanic Eddies
- No2.A Deep Framework for Eddy Detection and Tracking From Satellite Sea Surface Height Data
- No4. 海洋中尺度涡旋表面特征和三维结构研究进展
- No5 Inversion of the three-dimensional temperature structure of mesoscale eddies in the Northwest Pacific based on deep learning
- In the end
No1.EddyNet: A Deep Neural Network For Pixel-Wise Classification of Oceanic Eddies
阅读时间：2022-10-12
期刊： IEEE 作者：Redouane Lguensat… 发表日期：22 March 2021Abstract:
这项工作介绍了 EddyNet，这是一种基于深度学习的架构，用于从哥白尼海洋和环境监测服务 (CMEMS) 提供的海面高度 (SSH) 地图自动检测和分类。 EddyNet 由一个卷积编码器-解码器和一个像素级分类层组成。输出是一个与输入大小相同的地图，其中像素具有以下标签{‘0’：非涡流，’1’：反气旋涡流，’2’：气旋涡流}。 Keras Python 代码、训练数据集和 EddyNet 权重文件是开源的，可在 https://github.com/redouanelg/EddyNet 上免费获得。
Keywords:
Index Terms—Mesoscale eddy, Segmentation, Classification, Deep learning, Convolutional Neural Networks.
索引词——中尺度涡流、分割、分类、深度学习、卷积神经网络。
Article skeleton:
Related images:
No2.A Deep Framework for Eddy Detection and Tracking From Satellite Sea Surface Height Data
阅读时间：2022-10-14
期刊： IEEE 作者：Xin Sun… 发表日期：22 March 2021Abstract:
摘要-海洋涡流作为全球海洋的一种普遍现象，对海洋能量和物质交换极为重要。因此，有效的涡流检测和跟踪对于增进我们对海洋动力学的理解至关重要。这项工作提出了一个通过利用最先进的机器学习算法进行自动海洋涡流检测和跟踪的框架。首先，我们提出了一种用于多涡检测的卷积神经网络模型。该模型能够提取涡流的准确边界信息，并拟合语义上下文与海面高度 (SSH) 之间的差距。其次，设计了一种跟踪算法来跟踪持续数天的涡流，并提供控制涡流运动的动态过程的可视化。最后，我们已经公开了我们的数据集，该数据集被称为scse-eddy，可以用作评估基于人工智能 (AI) 的涡流检测方法性能的基准。该数据集涵盖了15年内位于中国南海及其东部海域的每日遥感SSH数据。实验结果表明，与现有方法相比，我们的方法具有良好的性能，尤其是对于具有模糊地理边界的涡流。我们相信，这项工作为海洋学家更好地发现和理解海洋涡流的物理特性开辟了一条新途径。
Keywords:
Article skeleton:
Related images:
Related ponits
深度可分离卷积：参考博客
标准的深度可分离卷积块由两个部分组成，分别是3x3深度可分离卷积+1x1普通卷积（3+1）
标准的Xception：参考博客
使用的是标准的深度可分离卷积块：3+1
改进后的Xception：
# 服务器环境
团队编号:
T64368533
云主机类型:
Linux
云主机用户名:
root
云主机密码:
111111Aa!
SSH连接地址:
10.106.16.56:3522
远程桌面连接地址:
10.106.16.56:3589
山河平台VPN用户名:
nsccjn_competition@shanhe.com
山河平台VPN密码:
Jn@Nscc_1012
test@123
vpn账号和密码：
bigdata@shanhe.com
123456@Aa
云主机01：eddy_ubuntu
用户名：ubuntu
密码：123456@Aa
云主机02：eddy_ubuntu2
用户名：ubuntu
密码：123456@Aa
你用我用的那个吧，山河通登录地址https://124.128.58.194:4433
账号：genglt
密码：Glt04091！
IP：10.106.17.10 端口5566 用户名root 密码sdsc@0199A
# Linux命令
nohup python -u FrameWork3.py > ./mylog.log 2>&1 &
nohup python -u eddy_detection_main_linux.py > ./res02/log50_16.log 2>&1 &
python
3800/3800 [==============================] - 580s 153ms/step - loss: 0.0858 - categorical_accuracy: 0.9368 - mean_dice_coef: 0.9245 - dice_coef_anti: 0.9055 - dice_coef_cyc: 0.9174 - dice_coef_nn: 0.9507 - weighted_mean_dice_coef: 0.9142 - precision: 0.9368 - recall: 0.9368 - fbeta_score: 0.9368 - val_loss: 0.1868 - val_categorical_accuracy: 0.8666 - val_mean_dice_coef: 0.8366 - val_dice_coef_anti: 0.7850 - val_dice_coef_cyc: 0.8250 - val_dice_coef_nn: 0.8997 - val_weighted_mean_dice_coef: 0.8132 - val_precision: 0.8666 - val_recall: 0.8666 - val_fbeta_score: 0.8666
修改后：
3800/3800 [==============================] - 594s 156ms/step - loss: 0.0890 - categorical_accuracy: 0.9343 - mean_dice_coef: 0.9216 - dice_coef_anti: 0.9012 - dice_coef_cyc: 0.9147 - dice_coef_nn: 0.9488 - weighted_mean_dice_coef: 0.9110 - precision: 0.9343 - recall: 0.9343 - fbeta_score: 0.9343 - val_loss: 0.2289 - val_categorical_accuracy: 0.8448 - val_mean_dice_coef: 0.8009 - val_dice_coef_anti: 0.7162 - val_dice_coef_cyc: 0.7963 - val_dice_coef_nn: 0.8903 - val_weighted_mean_dice_coef: 0.7711 - val_precision: 0.8449 - val_recall: 0.8448 - val_fbeta_score: 0.8448
# 改进总结：
+ 数据可能存在过拟合问题，backbone目前先不改
+ 专攻attention
+ 重点看一下SKNet，加在ASPP前面
+ ASPP也可以改了
+ 问一下batch_size，30还可以，8太少
+ 服务器远程连接问题：我再问一下王老师，师哥问一下云计算团队
+ 文档中不提原论文，只提自己做的工作
+ 深度可分离，空洞卷积，可以在文档中介绍一下
+ 架构图重新画，美观一些（总架构改进的图，Xception图，注意力图，ASPP改进的图）
+ 演示：录视频
+ 前端界面：参考涛老师之前发的做一个简单的小界面（输入图片，输入模型-根据权重文件，输出分割后的图片）
https://blog.csdn.net/m0_56247038/article/details/127151320
# SKNet
# No3. A Deep Learning Model for Green Algae Detection on SAR Images
阅读时间：2022-11-16
期刊： IEEE Trans 作者： Yuan Guo, Student Member, IEEE 发表日期：2022
Abstract:
摘要-本研究基于经典的U-net框架开发了纹理增强的深度学习 (DL) 模型，用于在Sentinel-1合成孔径雷达 (SAR) 图像中检测绿藻。在该框架中进行了四个特殊的修改: 纹理融合输入数据集，纹理串联以有效利用纹理信息，加权损失函数以解决藻类-海水样本的不平衡，以及一个注意模块以促进模型有效地关注判别特征。为了建立所提出的模型，我们收集了在黄海中获取的119 Sentinel-1 SAR图像，并手动标记了8441个样本，其中4421/1896/2124分别用作训练/验证/测试数据集。实验表明，该分类实现了86.31% 的平均交集 (mIOU)，优于先前的DL方法。此外，每次修改都是有效的，加权损失函数起着最关键的作用。此外，我们使用所提出的模型对黄海2019年2021年中的绿潮进行了监测，并分析了绿潮年际变化与两个主要环境因素之间的关系: 硝酸盐浓度和海表温度 (SST)。年际变化通过三个关键指标来表征: 开花持续时间，覆盖面积和近岸破坏。检测结果表明，开花持续时间为最长 (最短) 2019年 (2020)，对应于最大 (最小) 覆盖区域2019年 (2020)。此外，近岸破坏是最重 (最轻) 的2021年 (2020)。我们还发现，绿潮尺度的年际变化部分与藻类分布区域的有效硝酸盐浓度和SST变化有关。
Keywords:
Article skeleton:
Related images:
No4. 海洋中尺度涡旋表面特征和三维结构研究进展
阅读时间：2022-12-07
期刊： SN Computer Science 作者： Iqbal H. Sarker 发表日期：22 March 2021Abstract:
海洋中广泛存在的中尺度涡旋对动量、能量、热量和物质传输起着至关重要的作用。详细 介绍了利用卫星高度计资料识别中尺度涡的闭合等值线、Okubo-Weiss数、绕角和流矢量的方法。 结果表明，绝大部分涡旋都呈近刚性旋转的非线性特征，生命周期大于等于16周涡旋的平均寿命、 传播距离、振幅和半径分别为32周、550 km、8 cm和90 km。重点介绍了结合卫星高度计和Argo浮 标资料合成中尺度涡三维结构的方法。受生成地和移动到当地海洋温盐背景场的共同作用，涡旋 呈现不同的三维结构。从演变角度简单介绍了墨西哥湾的回流环和大西洋的地中海涡旋的基本 特征。最后，对中尺度涡研究的难点问题，如次中尺度过程、中尺度涡能量耗散和次表层涡旋等进 行讨论，并提出今后应从中尺度涡立体化、机动性观测，中尺度涡多学科融合式观测以及多尺度相 互作用等方面开展突破性研究。
Keywords:
中尺度涡旋；表面特征；三维结构；回流环；地中海涡旋
Article skeleton:
Related images:
No5 Inversion of the three-dimensional temperature structure of mesoscale eddies in the Northwest Pacific based on deep learning
阅读时间：2022-12-08
期刊： SN Computer Science 作者： Iqbal H. Sarker 发表日期：22 March 2021Abstract:
中尺度涡旋主要由海洋中的斜压效应引起，是西北太平洋常见的海洋现象，在海洋环流、海洋动力学和物质能量输送中起着非常重要的作用。中尺度涡旋的温度结构将导致海洋斜压的变化，这可以反映在海平面异常（SLA）中。深度学习可以在无需人工干预的情况下自动提取数据多层次的不同特征，发现数据隐藏的关系。因此，将卫星 SLA 数据与深度学习相结合是反演涡流内部温度结构的好方法。本文提出了一种深度学习算法涡旋卷积神经网络（ECN），它可以利用卷积神经网络强大的特征提取和学习能力来训练中尺度涡旋温度异常与海平面异常（SLA）之间的关系。通过ECN得到温度结构模型后，根据气候温度资料，反演西北太平洋中尺度涡的温度结构，空间分辨率为0.25°，深度为0～1 000 m。在 2015-2016 年期间，使用气旋和反气旋涡旋位置的 Argo 剖面验证了 ECN 温度结构的整体准确性。以10%的误差作为可接受的精度阈值，ECN得到的气旋和反气旋涡温度结构分别有89.64%和87.25%达到阈值。 ## Keywords: Key words: mesoscale eddies, temperature structure, convolutional neural network, Northwest Pacific Ocean ## Article skeleton:
## Related images:
# No6. 利用卫星遥感海面温度、高度联合反演南海北部三维温度场
阅读时间：2022-12-12
期刊： SN Computer Science 作者： Iqbal H. Sarker 发表日期：22 March 2021
Abstract:
利用历史观测得到的温度剖面数据, 通过严格筛选和插值, 建立了南海北部的气候态垂向温度 剖面。随后, 利用回归统计分析的方法构建了海面温度异常(SSTA)、海面高度异常(SSHA)联合扩展温 度剖面的经验回归模型, 并采用卫星遥感得到的 SST 和 SSH 数据扩展了南海北部的三维海洋温度场, 其时间分辨率为天, 空间分辨率为 0.25°×0.25°。通过与观测数据的对比研究, 扩展得到的温度场可以 较为准确地反映南海北部温度剖面的结构特征, 并且能有效地体现出一些中尺度变化过程。结果表明, 本研究反演得到的三维温度扩展场是较为可靠的, 它可以作为海洋数值模型的初始场, 实现现场观测 数据和卫星遥感数据的互补, 有助于更好地分析南海北部温度场的三维结构及变化特征。 ## Keywords: ## Article skeleton: ## Related images:SLA、ADT转为图像
In the end
阅读时间：2022-06-29
期刊： SN Computer Science 作者： Iqbal H. Sarker 发表日期：22 March 2021 Abstract: Keywords: Article skeleton: Related images: 基于docker搭建pytorch环境 部署两个项目
若有收获，就点个赞吧
0 人点赞
