ترجمه فارسی مقاله Super-Resolution برای شبیه سازی ساحلی کار می کند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Super-Resolution works for coastal simulations
عنوان مقاله به فارسی Super-Resolution برای شبیه سازی ساحلی کار می کند
نویسندگان Zhi-Song Liu, Markus Buttner, Vadym Aizinger, Andreas Rupp
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Image and Video Processing,Machine Learning,پردازش تصویر و فیلم , یادگیری ماشین ,
توضیحات Submitted 29 August, 2024; originally announced August 2024. , Comments: 13 pages, 12 figures
توضیحات به فارسی ارسال شده 29 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 13 صفحه ، 12 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Learning fine-scale details of a coastal ocean simulation from a coarse representation is a challenging task. For real-world applications, high-resolution simulations are necessary to advance understanding of many coastal processes, specifically, to predict flooding resulting from tsunamis and storm surges. We propose a Deep Network for Coastal Super-Resolution (DNCSR) for spatiotemporal enhancement to efficiently learn the high-resolution numerical solution. Given images of coastal simulations produced on low-resolution computational meshes using low polynomial order discontinuous Galerkin discretizations and a coarse temporal resolution, the proposed DNCSR learns to produce high-resolution free surface elevation and velocity visualizations in both time and space. To efficiently model the dynamic changes over time and space, we propose grid-aware spatiotemporal attention to project the temporal features to the spatial domain for non-local feature matching. The coordinate information is also utilized via positional encoding. For the final reconstruction, we use the spatiotemporal bilinear operation to interpolate the missing frames and then expand the feature maps to the frequency domain for residual mapping. Besides data-driven losses, the proposed physics-informed loss guarantees gradient consistency and momentum changes. Their combination contributes to the overall 24% improvements in RMSE. To train the proposed model, we propose a large-scale coastal simulation dataset and use it for model optimization and evaluation. Our method shows superior super-resolution quality and fast computation compared to the state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

یادگیری جزئیات در مقیاس خوب از شبیه سازی اقیانوس ساحلی از یک نمایش درشت یک کار چالش برانگیز است.برای کاربردهای دنیای واقعی ، شبیه سازی های با وضوح بالا برای پیشبرد درک بسیاری از فرآیندهای ساحلی ، به طور خاص ، برای پیش بینی سیل ناشی از سونامی و طوفان طوفان لازم است.ما یک شبکه عمیق برای فوق وضوح ساحلی (DNCSR) برای تقویت مکانی و مکانی برای یادگیری کارآمد راه حل عددی با وضوح بالا پیشنهاد می کنیم.با توجه به تصاویر از شبیه سازی های ساحلی تولید شده بر روی مش محاسباتی با وضوح پایین با استفاده از نظم چند جمله ای کم نظیر گالرکین و وضوح زمانی درشت و وضوح زمانی درشت ، DNCSR پیشنهادی یاد می گیرد که در هر دو زمان و مکان ، ارتفاع سطح آزاد و سرعت با وضوح بالا را تولید کند.برای مدل سازی کارآمد تغییرات پویا در طول زمان و مکان ، ما توجه مکانی آگاهی از شبکه را به پروژه ویژگی های زمانی به دامنه فضایی برای تطبیق ویژگی های غیر محلی پیشنهاد می کنیم.از اطلاعات مختصات نیز از طریق رمزگذاری موقعیت استفاده می شود.برای بازسازی نهایی ، ما از عملیات دو طرفه فضایی و مکانی برای درون یابی قاب های مفقود شده استفاده می کنیم و سپس نقشه های ویژگی را برای نقشه برداری باقیمانده به دامنه فرکانس گسترش می دهیم.علاوه بر ضررهای داده محور ، ضرر و زیان فیزیک پیشنهادی ، قوام شیب و تغییرات حرکت را تضمین می کند.ترکیب آنها به پیشرفت کلی 24 ٪ در RMSE کمک می کند.برای آموزش مدل پیشنهادی ، ما یک مجموعه داده شبیه سازی ساحلی در مقیاس بزرگ پیشنهاد می کنیم و از آن برای بهینه سازی و ارزیابی مدل استفاده می کنیم.روش ما کیفیت فوق العاده با وضوح فوق العاده و محاسبات سریع را در مقایسه با روشهای پیشرفته نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.