Deep Learning Characterization of Spatially Variable Ground Using Screened and Label-Conditioned Random Field Data
Cette étude propose un cadre systématique pour générer des ensembles de données d'entraînement physiquement cohérents grâce à un filtrage de la non-stationnarité et une vérification des étiquettes basée sur l'estimation du maximum de vraisemblance, démontrant que de telles améliorations de la qualité des données augmentent significativement la précision et la généralisation des réseaux de neurones convolutifs dans l'estimation de l'échelle de fluctuation pour les sols spatialement variables.