論文の概要: GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion in Particle Tracking

• arxiv url: http://arxiv.org/abs/2210.17012v1
• Date: Mon, 31 Oct 2022 02:05:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 18:27:49.062937
• Title: GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion in Particle Tracking
• Title（参考訳）: GotFlow3D: 粒子追跡における3次元流れの学習のためのグラフ最適輸送
• Authors: Jiaming Liang and Chao Xu and Shengze Cai
• Abstract要約: 粒子追跡速度計(PTV)のような流れの可視化技術は、自然と産業のプロセスから発生する3次元乱流の全広さを理解するために広く用いられている。 3D取得技術の進歩にもかかわらず、粒子追跡における動き推定アルゴリズムは、大きな粒子変位、高密度粒子分布、高い計算コストにおいて大きな課題である。 グラフ最適輸送に基づく新しいディープニューラルネットワークを導入することにより、両フレーム粒子集合から3次元流体の流れを学習するためのエンドツーエンドのソリューションを提案する。
• 参考スコア（独自算出の注目度）: 11.579751282152841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow visualization technologies such as particle tracking velocimetry (PTV) are broadly used in understanding the all-pervasiveness three-dimensional (3D) turbulent flow from nature and industrial processes. Despite the advances in 3D acquisition techniques, the developed motion estimation algorithms in particle tracking remain great challenges of large particle displacements, dense particle distributions and high computational cost. By introducing a novel deep neural network based on recurrent Graph Optimal Transport, called GotFlow3D, we present an end-to-end solution to learn the 3D fluid flow motion from double-frame particle sets. The proposed network constructs two graphs in the geometric and feature space and further enriches the original particle representations with the fused intrinsic and extrinsic features learnt from a graph neural network. The extracted deep features are subsequently utilized to make optimal transport plans indicating the correspondences of particle pairs, which are then iteratively and adaptively retrieved to guide the recurrent flow learning. Experimental evaluations, including assessments on numerical experiments and validations on real-world experiments, demonstrate that the proposed GotFlow3D achieves state-of-the-art performance against both recently-developed scene flow learners and particle tracking algorithms, with impressive accuracy, robustness and generalization ability, which can provide deeper insight into the complex dynamics of broad physical and biological systems.
• Abstract（参考訳）: 粒子追跡速度計(PTV)のような流れの可視化技術は、自然と産業のプロセスから発生する3次元乱流の全広さを理解するために広く用いられている。 3D取得技術の進歩にもかかわらず、粒子追跡における動き推定アルゴリズムは、大きな粒子変位、密度粒子分布、高い計算コストにおいて大きな課題である。 GotFlow3Dと呼ばれるグラフ最適輸送に基づく新しいディープニューラルネットワークを導入することで、両フレーム粒子集合から3次元流体の動きを学習するエンドツーエンドのソリューションを提案する。 提案するネットワークは,幾何学的特徴空間と特徴空間に2つのグラフを構築し,グラフニューラルネットワークから学習した融合内在的特徴と外在的特徴により,元の粒子表現をさらに強化する。 抽出した深部特徴を利用して粒子対の対応を示す最適な輸送計画を行い、繰り返し流れの学習を誘導するために反復的に適応的に回収する。 実世界の実験における数値実験の評価や検証を含む実験評価により,提案したGotFlow3Dは,最近開発されたシーンフロー学習者と粒子追跡アルゴリズムの両方に対して,印象的な精度,堅牢性,一般化能力を備えた最先端性能を実現し,より広い物理・生物学的システムの複雑な力学を深く理解することができることを示した。

関連論文リスト

• Ultrafast vision perception by neuromorphic optical flow [1.1980928503177917]
  3次元ニューロモルフィック光フロー法は,外的運動特徴を直接ハードウェアに埋め込む。 実演では,視覚的なデータ処理時間を平均0.3秒短縮する。 ニューロモルフィック光フローアルゴリズムの柔軟性は、既存のアルゴリズムとのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2024-09-10T10:59:32Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
  本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。 物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。 本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。 抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-06-21T07:37:17Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• 3D-IntPhys: Towards More Generalized 3D-grounded Visual Intuitive Physics under Challenging Scenes [68.66237114509264]
  複雑なシーンと流体の映像から3次元的な視覚的直感的な物理モデルを学習できるフレームワークを提案する。 本モデルでは,生画像から学習し,明示的な3次元表現空間を用いないモデルよりもはるかに優れた将来予測が可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-22T19:28:49Z)
• Learning Vortex Dynamics for Fluid Inference and Prediction [25.969713036393895]
  本研究では, 可変渦粒子を用いた新しい機械学習手法を提案し, 一つのビデオから流体力学を推論し, 予測する。 そこで我々は, 学習可能な渦対速度のダイナミックスマッピングと組み合わせて, 複雑な流れの特徴を効果的に捉え, 表現するために, 新たな微分可能渦粒子系を考案した。
  論文  参考訳（メタデータ） (2023-01-27T02:10:05Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Learning 3D Granular Flow Simulations [6.308272531414633]
  離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。 本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
  論文  参考訳（メタデータ） (2021-05-04T17:27:59Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)

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。