論文の概要: A robust single-pixel particle image velocimetry based on fully
convolutional networks with cross-correlation embedded
- arxiv url: http://arxiv.org/abs/2111.00395v1
- Date: Sun, 31 Oct 2021 03:26:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 14:33:43.311486
- Title: A robust single-pixel particle image velocimetry based on fully
convolutional networks with cross-correlation embedded
- Title(参考訳): クロスコリレーションを組み込んだ完全畳み込みネットワークに基づくロバストな単画素粒子画像速度測定
- Authors: Qi Gao, Hongtao Lin, Han Tu, Haoran Zhu, Runjie Wei, Guoping Zhang,
Xueming Shao
- Abstract要約: 深層学習法と従来の相互相関法を相乗的に組み合わせた新しい速度場推定パラダイムを提案する。
深層学習法は、粗い速度推定を最適化し、補正し、超解法計算を実現する。
参考として、粗い速度推定は提案アルゴリズムの堅牢性を向上させるのに役立つ。
- 参考スコア(独自算出の注目度): 3.3579727024861064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle image velocimetry (PIV) is essential in experimental fluid dynamics.
In the current work, we propose a new velocity field estimation paradigm, which
achieves a synergetic combination of the deep learning method and the
traditional cross-correlation method. Specifically, the deep learning method is
used to optimize and correct a coarse velocity guess to achieve a
super-resolution calculation. And the cross-correlation method provides the
initial velocity field based on a coarse correlation with a large interrogation
window. As a reference, the coarse velocity guess helps with improving the
robustness of the proposed algorithm. This fully convolutional network with
embedded cross-correlation is named as CC-FCN. CC-FCN has two types of input
layers, one is for the particle images, and the other is for the initial
velocity field calculated using cross-correlation with a coarse resolution.
Firstly, two pyramidal modules extract features of particle images and initial
velocity field respectively. Then the fusion module appropriately fuses these
features. Finally, CC-FCN achieves the super-resolution calculation through a
series of deconvolution layers to obtain the single-pixel velocity field. As
the supervised learning strategy is considered, synthetic data sets including
ground-truth fluid motions are generated to train the network parameters.
Synthetic and real experimental PIV data sets are used to test the trained
neural network in terms of accuracy, precision, spatial resolution and
robustness. The test results show that these attributes of CC-FCN are further
improved compared with those of other tested PIV algorithms. The proposed model
could therefore provide competitive and robust estimations for PIV experiments.
- Abstract(参考訳): 粒子画像速度測定(PIV)は実験流体力学において必須である。
本研究では,ディープラーニング手法と従来の相互相関法を相乗的に組み合わせた新しい速度場推定パラダイムを提案する。
具体的には,超解像計算を実現するために,粗速度推定を最適化し補正するために深層学習法を用いる。
また,クロス相関法は,大きめの問合せ窓との粗い相関に基づく初期速度場を提供する。
参考として、粗い速度推定は提案アルゴリズムの堅牢性を向上させるのに役立つ。
組込み相互相関を持つ完全な畳み込みネットワークはCC-FCNと呼ばれる。
CC-FCNは2種類の入力層を持ち、1つは粒子画像用であり、もう1つは粗い解像度と相互相関を用いて計算された初期速度場用である。
まず, 2つのピラミッドモジュールが粒子像の特徴と初期速度場をそれぞれ抽出する。
そして、融合モジュールはこれらの機能を適切に融合する。
最後に、CC-FCNは一連のデコンボリューション層を通じて超分解能計算を行い、単画素速度場を得る。
教師付き学習戦略を考慮し, 地中流体運動を含む合成データセットを生成し, ネットワークパラメータを学習する。
合成および実実験的なPIVデータセットは、精度、精度、空間分解能、堅牢性の観点からトレーニングされたニューラルネットワークをテストするために使用される。
実験の結果,CC-FCNのこれらの特性は,他のPIVアルゴリズムと比較してさらに改善されていることがわかった。
提案モデルにより,PIV実験の競争力およびロバストな評価が可能となった。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳(メタデータ) (2024-04-15T06:01:48Z) - Neural Sinkhorn Gradient Flow [11.4522103360875]
本稿では,ワッサーシュタイン勾配流の時間変化速度場をパラメータ化したニューラルシンクホーン勾配流(NSGF)モデルを提案する。
理論解析により, 試料径が無限大に大きくなるにつれて, 経験的近似の平均場限界は真の基礎速度場に収束することが示された。
高次元タスクにおけるモデル効率をさらに高めるために、二相NSGF++モデルが考案された。
論文 参考訳(メタデータ) (2024-01-25T10:44:50Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳(メタデータ) (2023-08-24T02:28:18Z) - Neural Fast Full-Rank Spatial Covariance Analysis for Blind Source
Separation [26.6020148790775]
本稿では,ニューラルネットワーク分離モデルに対する効率的な教師なし学習手法について述べる。
本稿では,結合対角化可能なフルランク空間モデルに基づくニューラルFastFCAを提案する。
2〜4つの音源の混合信号を用いた実験により、ニューラルFastFCAは従来のBSS法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-17T02:50:17Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳(メタデータ) (2023-03-01T10:38:10Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳(メタデータ) (2022-11-24T07:30:27Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳(メタデータ) (2021-09-04T08:43:19Z) - 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) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
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。