基于YOLO的海洋涡旋定位与AWS SageMaker
本文介绍了一个新的数据集,旨在为水下机器人的同时定位和映射方法开发提供数据。该数据集由三个不同深度的环境中记录,使用ROV拍摄,包括摄像头、惯性测量单元、压力传感器和计算单元。这个数据集对于开发水下机器人的视觉定位方法可能会有很大的帮助。
Oct, 2019
本研究介绍了一种基于海面高度和速度场的混合涡旋检测方法,利用几何标准检验预期的速度场特性,如净旋转和对称性,沿着包围每个涡旋中心的圆形路径跟踪速度分量,并通过渐进搜索产生每个涡旋的三维影响区域,实现了单个涡旋结构从数据集中的隔离,并以其圆柱形足迹作为可视化的基础来展示内部的物理属性。检测结果高度取决于方法、阈值和标准,建议使用此新的混合方法。此方法已应用于三个不同数据集。
May, 2023
AI-GOMS是一个采用AI驱动的全球海洋模拟系统,通过基于傅里叶变换的Masked Autoencoder结构和轻量级微调模型,实现了全球海洋的准确和高效的每日预测,提供了一种新的地球系统模型的骨干-下游范例,使系统具有可传输性、可扩展性和可重用性。
Aug, 2023
使用深度学习方法提高浮标检测和管理的准确性和鲁棒性,通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术,研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。
Aug, 2023
研究介绍了OceanNet,一种基于神经算子方式的洋流数字孪生技术,用于解决海洋建模中的复杂性问题以及季节性预测任务,通过利用历史海面高度数据进行训练,OceanNet通过超过优化的现代动力学海洋模型预测降低计算量500,000倍,展示了物理启发的深度神经算子作为高效替代品的潜力。
Oct, 2023
通过分析卫星图像,我们提供了一个数据集CloudTracks,其中包含超过12,000个船舶路径实例注释,以开发自动定位船舶路径的方法。我们的最佳模型在定位船舶路径方面的性能明显优于之前的最新研究,但我们也发现最佳模型在准确定位和计数船舶路径方面仍存在困难,因此我们希望CloudTracks能够促进对卫星图像中细长、重叠的特征更好地检测的新型机器学习方法。
Jan, 2024
使用生成深度学习技术对海洋雾可视性进行现在预测,对FATIMA项目的观测数据进行分析,提出了条件生成对抗网络的应用。结果表明,生成对抗网络在预测雾可视性方面表现较好,具有潜力进行海洋雾可视性的生成分析。
Feb, 2024
内部孤立波是重力波,通常在海洋内部而非表面观测到。本研究提出基于测高仪的机器学习解决方案,自动定位内部孤立波,并通过深度学习和卷积神经网络等方法提高性能。
Jun, 2024
通过卫星观测和气象数据,我们构建了全球最全面的海洋雾检测和预测数据集M4Fog,数据集覆盖15个频繁出现海上雾的海洋地区,提供了近10年的连续海洋雾阶段的多模态数据,旨在促进机器学习驱动的海洋雾解决方案的发展,减少对人类活动的不利影响。
Jun, 2024
本研究针对卫星测高数据在解析海洋亚微观变动方面的局限性,提出了一种先进的生成扩散模型,通过将原始卫星插值数据从0.25度分辨率下分辨率至1/16度(约12公里波长)来增强观测的海面高度(SSH)重分析数据。研究结果表明,自2004年以来黑潮延伸区的涡旋动能在250公里以下的水平尺度上显著增强,强调了深度学习在重构卫星测高数据及提升对海洋动态理解方面的巨大潜力。
Aug, 2024