In this paper, the estimation of ic

In this paper, the estimation of ice concentration under the
framework of deep learning is investigated. Deep learning is
a feature learning method that uses multiple layers of neural
networks [17], which has recently demonstrated great potential
in many different recognition tasks such as speech recognition
and image object classification [18]–[21]. A deep convolutional
neural network (CNN) has been used to estimate ice concentration
directly from dual-band SAR images (HH and HV) in
the melt season. CNN is a neural network model that enforces
weight sharing and local connections between adjacent layers
of neurons. This method has a demonstrated ability to achieve
high performance for image-related recognition tasks [20],
[22]–[24]. In this paper, its capability to generate high-quality
ice concentration estimation in the melt season is demonstrated by a case study in the Beaufort Sea, under a variety of surface
conditions, without incidence angle correction or postprocessing.
A state-of-the-art ice concentration estimate from SAR
imageries is achieved. To the best of our knowledge, this is the
first study in which a CNN is used to extract ice concentration
from SAR images.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ การประเมินความเข้มข้นของน้ำแข็งภายใต้การกรอบการเรียนรู้ลึกคือการตรวจสอบ เป็นการเรียนรู้ลึกคุณลักษณะการเรียนรู้วิธีการที่ใช้หลายชั้นของระบบประสาทเครือข่าย [17], ซึ่งเมื่อเร็ว ๆ นี้ได้แสดงให้เห็นศักยภาพที่ดีในงานการรับรู้ที่แตกต่างกันหลายอย่างเช่นการรู้จำเสียงและภาพการจำแนกประเภทวัตถุ [18] – [21] การสลับลำดับข้อมูลลึกมีการใช้โครงข่ายประสาท (CNN) เพื่อประเมินความเข้มข้นของน้ำแข็งโดยตรงจากแบบวง SAR ภาพ (HH และ HV)ฤดูละลาย ซีเอ็นเอ็นเป็นแบบโครงข่ายประสาทที่บังคับใช้น้ำหนักร่วมท้องถิ่น และเชื่อมต่อระหว่างชั้นที่อยู่ติดของเซลล์ประสาท วิธีนี้มีความสามารถที่แสดงให้เห็นเพื่อให้บรรลุประสิทธิภาพสูงสำหรับงานที่เกี่ยวข้องกับภาพการรับรู้ [20],[22] – [24] ในเอกสารนี้ มีความสามารถในการสร้างคุณภาพการประเมินความเข้มข้นของน้ำแข็งในฤดูละลายพิสูจน์จากกรณีศึกษาทะเลโบวฟอร์ต ภายใต้ความหลากหลายของพื้นผิวเงื่อนไข ไม่ มีอุบัติการณ์การแก้ไขมุมหรือ postprocessingการประเมินความเข้มข้นของศิลปะน้ำแข็งจาก SARเนียนจะประสบความสำเร็จ ที่สุดของความรู้ของเรา เป็นการศึกษาแรกซึ่งซีเอ็นเอ็นที่ใช้ดึงความเข้มข้นของน้ำแข็งจากภาพ SAR

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ประเมินความเข้มข้นของน้ำแข็งภายใต้
กรอบของการเรียนรู้ลึกสอบสวน การเรียนรู้ลึกเป็น
วิธีการเรียนรู้คุณลักษณะที่ใช้หลายชั้นของระบบประสาท
เครือข่าย [17] ซึ่งได้แสดงให้เห็นเมื่อเร็ว ๆ นี้ที่มีศักยภาพที่ดี
ในหลาย ๆ งานการรับรู้ที่แตกต่างกันเช่นการรู้จำเสียงพูด
และการจำแนกวัตถุภาพ [18] - [21] ลึกสับสน
เครือข่ายประสาท (CNN) ได้ถูกนำมาใช้เพื่อประเมินความเข้มข้นของน้ำแข็ง
โดยตรงจากวงสอง SAR ภาพ (HH และ HV) ใน
ฤดูกาลละลาย ซีเอ็นเอ็นเป็นรูปแบบเครือข่ายประสาทที่บังคับ
ใช้ร่วมกันน้ำหนักและท้องถิ่นการเชื่อมต่อระหว่างชั้นที่อยู่ติดกัน
ของเซลล์ประสาท วิธีการนี้มีความสามารถในการแสดงให้เห็นถึงการเพื่อให้บรรลุ
ประสิทธิภาพสูงสำหรับงานการรับรู้ภาพที่เกี่ยวข้องกับ [20],
[22] - [24] ในกระดาษนี้ความสามารถในการสร้างที่มีคุณภาพสูง
การประมาณค่าความเข้มข้นของน้ำแข็งในฤดูละลายแสดงให้เห็นโดยกรณีศึกษาในทะเลโบฟอร์ตภายใต้ความหลากหลายของพื้นผิว
เงื่อนไขโดยไม่ต้องแก้ไขมุมอุบัติการณ์หรือ postprocessing.
รัฐของล้ำหน้าด้วย ศิลปะการประมาณการความเข้มข้นของน้ำแข็งจาก SAR
ภาพถ่ายจากจะประสบความสำเร็จ ที่ดีที่สุดของความรู้ของเรานี้เป็น
การศึกษาครั้งแรกที่ซีเอ็นเอ็นถูกใช้ในการสกัดความเข้มข้นของน้ำแข็ง
จากภาพ SAR

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , การประมาณค่าความเข้มข้นของน้ำแข็งใต้กรอบการเรียนรู้ลึกได้ เรียนลึกคือคุณลักษณะการเรียนรู้วิธีการใช้ประสาทหลายชั้นเครือข่าย [ 17 ] ซึ่งเพิ่งแสดงศักยภาพที่ดีในการรับรู้ที่แตกต่างกันมากเช่นการรู้จำเสียงพูดและภาพการจำแนกประเภทวัตถุ [ 18 ] - [ 21 ] ขดลึกโครงข่ายประสาทเทียม ( ซีเอ็นเอ็น ) ถูกใช้เพื่อประมาณความเข้มข้นของน้ำแข็งโดยตรงจากภาพ SAR Dual Band ( HH และ HV )ละลายตามฤดูกาล ซีเอ็นเอ็นเป็นโครงข่ายประสาทเทียมแบบเศรษฐศาสตร์น้ำหนักที่ใช้ร่วมกันและการเชื่อมต่อระหว่างชั้นติดกัน ท้องถิ่นของเซลล์ประสาท วิธีนี้ได้แสดงให้เห็นถึงความสามารถในการบรรลุประสิทธิภาพสูงสำหรับงานที่เกี่ยวข้องกับการรับรู้ภาพ [ 20 ][ 22 ] - [ 24 ] ในกระดาษนี้ ความสามารถในการสร้างที่มีคุณภาพสูงน้ำแข็งละลายความเข้มข้นประมาณในฤดูกาลโดยใช้กรณีศึกษาในทะเลโบฟอร์ต ภายใต้ความหลากหลายของพื้นผิวเงื่อนไข โดยไม่มีการแก้ไข หรือมุมโพรเซสซิ่งเป็นรัฐ - of - the - art น้ำแข็งความเข้มข้นประมาณจากซาร์ลดลงได้ เพื่อที่ดีที่สุดของความรู้ของเรานี้เป็นการศึกษาแรกที่ใช้สารสกัดจากน้ำแข็งของซีเอ็นเอ็นจาก : ภาพ