In this paper, a CNN has been appli

In this paper, a CNN has been applied to dual-polarized SAR
(HH and HV) images to generate ice concentration estimates.
The CNN used takes the image patches of the intensity-scaled
dual-pol SAR images as input and outputs ice concentration
directly. Image analysis charts are used for training. State-ofthe-
art pixel-level result is acquired during the melt season in
the Beaufort Sea. The ice concentration from the CNN contains
abundant details of the ice compared with the image analyses.
The results suggest that CNN is a robust method that can model
the effect of incidence angle, SAR image noise, and the effect
of wind on water and melt. Low-ice-concentration regions are
also captured by the CNN model used.
The training on 11 images takes about 9 h, the prediction
of ice concentration for one image takes around 10 min using
an Nvidia GTX 780 graphic card with around 2000 processing
cores. With more powerful graphic cards and appropriate optimization,
the processing time can be largely reduced. Once
the model is trained, the ice concentration estimation using
the model can run in parallel on multiple graphics processing
units easily. This is very promising for operational applications
which require timely and robust ice concentration estimates
over large regions.
This is a case study due to the limited amount of data
available. For operational use, more comprehensive study and
evaluation of this method in different regions and times of the
year are required, which also requires the understanding of
the connection between the CNN features and the sea surface
conditions, which can be considered in future studies.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ ซีเอ็นเอ็นที่ใช้กับสองขั้ว SARภาพ (HH และ HV) เพื่อสร้างน้ำแข็งประมาณการความเข้มข้นซีเอ็นเอ็นที่ใช้ใช้แพทช์ภาพของความเข้มปรับdual pol SAR ภาพเป็นอินพุต และเอาต์พุความเข้มข้นของน้ำแข็งโดยตรง แผนภูมิวิเคราะห์ภาพใช้สำหรับการฝึกอบรม รัฐของการ -ผลการค้นหาภาพศิลปะซื้อมาในช่วงฤดูละลายในทะเลโบฟอร์ต ประกอบด้วยความเข้มข้นของน้ำแข็งจากซีเอ็นเอ็นรายละเอียดที่มากมายของน้ำแข็งเมื่อเทียบกับการวิเคราะห์ภาพผลลัพธ์แนะนำว่า CNN เป็นวิธีที่แข็งแกร่งที่สามารถโมเดลผลของมุมอุบัติการณ์ SAR ภาพเสียง และผลกระทบของลมในน้ำและละลาย มีพื้นที่น้ำแข็งต่ำความเข้มข้นยัง ถ่าย โดยใช้รุ่นซีเอ็นเอ็นการฝึกอบรมในรูปใช้เวลาประมาณ 9 ชั่วโมง การคาดการณ์น้ำแข็ง เข้มข้นสำหรับภาพหนึ่งใช้เวลาประมาณ 10 นาทีใช้มี Nvidia GTX 780 การ์ดกับรอบการประมวลผล 2000แกน กราฟิกการ์ดที่มีประสิทธิภาพมากขึ้นและเพิ่มประสิทธิภาพที่เหมาะสมเวลาประมวลผลสามารถลดส่วนใหญ่ ครั้งหนึ่งรูปแบบได้รับการฝึกฝน น้ำแข็งประมาณใช้ความเข้มข้นแบบสามารถเรียกใช้ในการประมวลผลกราฟิกหลายหน่วยได้อย่างง่ายดาย นี่คือแนวโน้มมากขึ้นสำหรับการใช้งานในการดำเนินงานซึ่งต้องมีความเข้มข้นของน้ำแข็งที่แข็งแกร่ง และทันเวลาประเมินภูมิภาคที่มีขนาดใหญ่กว่านี้เป็นกรณีศึกษาเนื่องจากการจำกัดจำนวนข้อมูลพร้อมใช้งาน สำหรับใช้ในการดำเนินงาน การศึกษาครอบคลุมมากขึ้น และการประเมินวิธีการนี้ในภูมิภาคต่าง ๆ และเวลาของการปีจำเป็น ซึ่งยังต้องการความเข้าใจการเชื่อมต่อระหว่างคุณลักษณะซีเอ็นเอ็นและผิวน้ำทะเลเงื่อนไข ซึ่งถือได้ว่าในอนาคตการศึกษา

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ซีเอ็นเอ็นได้นำไปใช้ dual-polarized SAR
(HH และ HV) ภาพที่จะสร้างค่าประมาณการความเข้มข้นน้ำแข็ง.
ซีเอ็นเอ็นใช้เวลาแพทช์ภาพของความเข้มปรับขนาด
แบบ dual-Pol ภาพ SAR เป็น input และผลความเข้มข้นน้ำแข็ง
โดยตรง . แผนภูมิการวิเคราะห์ภาพถูกนำมาใช้สำหรับการฝึกอบรม รัฐ ofthe-
ผลงานศิลปะพิกเซลระดับจะได้รับในช่วงฤดูละลายใน
ทะเลโบฟอร์ต ความเข้มข้นของน้ำแข็งจากซีเอ็นเอ็นมี
รายละเอียดมากมายของน้ำแข็งเมื่อเทียบกับการวิเคราะห์ภาพ.
ผลการวิจัยแนะนำว่าซีเอ็นเอ็นเป็นวิธีการที่มีประสิทธิภาพที่สามารถจำลอง
ผลกระทบของมุมอุบัติการณ์เสียงภาพ SAR และผลกระทบ
ของลมในน้ำและละลาย ภูมิภาคน้ำแข็งต่ำเข้มข้นจะ
ยังจับโดยรูปแบบของซีเอ็นเอ็นที่ใช้.
การฝึกอบรมในวันที่ 11 ภาพจะใช้เวลาประมาณ 9 ชั่วโมงทำนาย
ของความเข้มข้นของน้ำแข็งภาพหนึ่งจะใช้เวลาประมาณ 10 นาทีโดยใช้
GTX Nvidia 780 กราฟิกการ์ดที่มีการประมวลผล 2000 รอบ
แกน ด้วยกราฟิกการ์ดที่มีประสิทธิภาพมากขึ้นและการเพิ่มประสิทธิภาพที่เหมาะสม
เวลาการประมวลผลสามารถลดลงได้ส่วนใหญ่ เมื่อ
รูปแบบการฝึกอบรมการประมาณค่าความเข้มข้นของน้ำแข็งโดยใช้
รูปแบบสามารถทำงานแบบขนานในการประมวลผลกราฟิกหลาย
หน่วยได้อย่างง่ายดาย นี่คือแนวโน้มมากสำหรับการใช้งานในการดำเนินงาน
ซึ่งต้องใช้การประมาณการความเข้มข้นน้ำแข็งทันเวลาและมีประสิทธิภาพ
มากกว่าภูมิภาคขนาดใหญ่.
นี้เป็นกรณีศึกษาเนื่องจากจำนวน จำกัด ของข้อมูล
ที่มีอยู่ สำหรับการใช้งานในการดำเนินงานการศึกษาที่ครอบคลุมมากขึ้นและมี
การประเมินผลของวิธีการนี้ในภูมิภาคต่าง ๆ และช่วงเวลาของ
ปีที่จะต้องซึ่งยังต้องมีความเข้าใจใน
การเชื่อมต่อระหว่างคุณลักษณะของซีเอ็นเอ็นและพื้นผิวทะเล
เงื่อนไขซึ่งสามารถนำมาพิจารณาในการศึกษาในอนาคต

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ ซีเอ็นเอ็นได้ใช้สองขั้ว .( HH และ HV ) ภาพสร้างน้ำแข็งความเข้มข้นประมาณซีเอ็นเอ็นใช้ใช้ภาพของความเข้มปรับแพทช์สองภาพเป็นอินพุทและเอาท์พุทพลซาร์น้ำแข็งความเข้มข้นโดยตรง แผนภูมิการวิเคราะห์ภาพที่ใช้สำหรับการฝึกอบรม สภาพ -พิกเซลศิลปะระดับผลที่ได้มาในช่วงฤดูใน ละลายทะเลโบฟอร์ต . น้ำแข็งจากซีเอ็นเอ็นที่มีความเข้มข้นมากมาย รายละเอียดของน้ำแข็งเมื่อเทียบกับภาพวิเคราะห์ข้อมูลพบว่า ซีเอ็นเอ็น เป็นวิธีการที่แข็งแกร่งที่สามารถโมเดลผลกระทบของมุมอุบัติการณ์ ภาพเสียง SAR และผลกระทบลมน้ำและละลาย ภูมิภาคของน้ำแข็งน้อยยังบันทึกโดยซีเอ็นเอ็นรูปแบบใช้อบรมวันที่ 11 ภาพใช้เวลาประมาณ 9 ชั่วโมง ทำนายน้ำแข็งที่ความเข้มข้น 1 ภาพใช้เวลาประมาณ 10 นาที โดยใช้ประมวลผล NVIDIA GTX เป็นกราฟิกการ์ดที่มีประมาณ 2000แกน กับกราฟิกการ์ดที่มีประสิทธิภาพมากขึ้น และการเพิ่มประสิทธิภาพที่เหมาะสมเวลาในการประมวลผลสามารถลดลงส่วนใหญ่ เมื่อรูปแบบการฝึกสมาธิ การใช้น้ำแข็งแบบจำลองที่ได้สามารถใช้ในการประมวลผลกราฟิกหลายขนานในหน่วยได้อย่างง่ายดาย นี้มีศักยภาพมากสำหรับโปรแกรมปฏิบัติการทันเวลาและมีประสิทธิภาพ ซึ่งต้องมีความเข้มข้นประมาณน้ำแข็งข้ามภูมิภาคขนาดใหญ่นี้เป็นกรณีศึกษา เนื่องจากจำนวน จำกัด ของข้อมูลพร้อมใช้งาน สำหรับใช้งานมากขึ้นและครอบคลุมการศึกษาการประเมินวิธีนี้ในพื้นที่และเวลาที่แตกต่างกันของปีจะต้อง ซึ่งยังต้องมีความเข้าใจของการเชื่อมต่อระหว่างซีเอ็นเอ็นคุณสมบัติและพื้นผิวทะเลเงื่อนไข ซึ่งสามารถพิจารณาในการศึกษาในอนาคต