論文の概要: Unsupervised Learning of Particle Image Velocimetry
- arxiv url: http://arxiv.org/abs/2007.14487v1
- Date: Tue, 28 Jul 2020 21:08:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 02:12:10.581556
- Title: Unsupervised Learning of Particle Image Velocimetry
- Title(参考訳): 粒子画像速度計測の教師なし学習
- Authors: Mingrui Zhang and Matthew D. Piggott
- Abstract要約: ディープラーニングは、Particle Image Velocimetry問題に取り組むための新しいアプローチにインスピレーションを与えた。
大規模で現実的なシナリオにおいて,信頼できる真実データを収集することは困難である。
ここでは、PIV問題に対処するために教師なし学習に基づくアプローチをとる最初の研究であると考えるものを提示する。
- 参考スコア(独自算出の注目度): 6.69579674554491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle Image Velocimetry (PIV) is a classical flow estimation problem which
is widely considered and utilised, especially as a diagnostic tool in
experimental fluid dynamics and the remote sensing of environmental flows.
Recently, the development of deep learning based methods has inspired new
approaches to tackle the PIV problem. These supervised learning based methods
are driven by large volumes of data with ground truth training information.
However, it is difficult to collect reliable ground truth data in large-scale,
real-world scenarios. Although synthetic datasets can be used as alternatives,
the gap between the training set-ups and real-world scenarios limits
applicability. We present here what we believe to be the first work which takes
an unsupervised learning based approach to tackle PIV problems. The proposed
approach is inspired by classic optical flow methods. Instead of using ground
truth data, we make use of photometric loss between two consecutive image
frames, consistency loss in bidirectional flow estimates and spatial smoothness
loss to construct the total unsupervised loss function. The approach shows
significant potential and advantages for fluid flow estimation. Results
presented here demonstrate that our method outputs competitive results compared
with classical PIV methods as well as supervised learning based methods for a
broad PIV dataset, and even outperforms these existing approaches in some
difficult flow cases. Codes and trained models are available at
https://github.com/erizmr/UnLiteFlowNet-PIV.
- Abstract(参考訳): 粒子画像流速計(piv)は古典的流れ推定問題であり、特に実験流体力学や環境流れのリモートセンシングにおける診断ツールとして広く検討され、利用されている。
近年,深層学習に基づく手法の開発が,PIV問題に対処する新たなアプローチにインスピレーションを与えている。
これらの教師付き学習に基づく手法は、基礎的真理学習情報を持つ大量のデータによって駆動される。
しかし,大規模な実世界シナリオにおいて,信頼できる事実データを集めることは困難である。
合成データセットは代替として使用できるが、トレーニングのセットアップと現実世界のシナリオのギャップは適用可能性を制限する。
ここでは、PIV問題に対処するために教師なし学習に基づくアプローチをとる最初の研究であると考えるものを提示する。
提案手法は古典光学フロー法に着想を得たものである。
本研究では,2つの連続した画像フレーム間の測光損失,双方向流れ推定の一貫性損失,空間的滑らかさ損失を用いて,教師なし損失関数全体の構成を行う。
この手法は流体流量推定に有意な可能性と利点を示す。
この結果から,従来のPIV手法と競合する結果が得られ,また,広範囲なPIVデータセットを対象とした教師あり学習手法が,既存の手法よりも難しい場合の方が優れていることが示された。
コードとトレーニングされたモデルはhttps://github.com/erizmr/unliteflownet-pivで入手できる。
関連論文リスト
- Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳(メタデータ) (2024-10-16T08:07:18Z) - Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。
近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。
本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文 参考訳(メタデータ) (2023-12-18T09:52:14Z) - Taming Contrast Maximization for Learning Sequential, Low-latency,
Event-based Optical Flow [18.335337530059867]
イベントカメラは、複雑なコンピュータビジョン問題に対する低レイテンシで低消費電力のソリューションのための新しい道を開くことで、大きな注目を集めている。
これらのソリューションをアンロックするには、イベントデータのユニークな性質を活用するアルゴリズムを開発する必要がある。
本研究では,イベントベース光フロー推定のための自己教師付き学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-03-09T12:37:33Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳(メタデータ) (2022-11-20T15:49:11Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-10-12T09:12:59Z) - Semi-Supervised Learning of Optical Flow by Flow Supervisor [16.406213579356795]
そこで本研究では,事前学習したモデルに対して,地中真実の流れを伴わずに,目標データセットに適応するファインチューニング手法を提案する。
この設計は、従来の自己超越法よりも安定した収束と精度の向上を目的としている。
我々は,Sintel および KITTI ベンチマークにおける最先端光学フローモデルに対する有意義な改善を実現する。
論文 参考訳(メタデータ) (2022-07-21T06:11:52Z) - Learning to Estimate and Refine Fluid Motion with Physical Dynamics [9.258258917049845]
流体流量推定のための教師なし学習に基づく予測補正手法を提案する。
推定はまずPDE制約の光フロー予測器によって与えられ、次に物理ベースの補正器によって洗練される。
提案手法は,地上の真理情報が効果的に理解できない複雑な実世界の流体シナリオに一般化することができる。
論文 参考訳(メタデータ) (2022-06-21T15:46:49Z) - Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。
光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。
提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
論文 参考訳(メタデータ) (2021-06-06T06:19:50Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - Neural Particle Image Velocimetry [4.416484585765027]
本稿では,この問題に適応した畳み込みニューラルネットワーク,すなわちボリューム対応ネットワーク(VCN)を紹介する。
ネットワークは、合成データと実フローデータの両方を含むデータセット上で、徹底的にトレーニングされ、テストされる。
解析の結果,提案手法は現場における他の最先端手法と同等の精度を保ちながら,効率の向上を図っている。
論文 参考訳(メタデータ) (2021-01-28T12:03:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。