論文の概要: Deep Learning Based Object Tracking in Walking Droplet and Granular
Intruder Experiments
- arxiv url: http://arxiv.org/abs/2302.05425v2
- Date: Wed, 15 Nov 2023 22:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 22:59:55.357377
- Title: Deep Learning Based Object Tracking in Walking Droplet and Granular
Intruder Experiments
- Title（参考訳）: 歩行液滴とグラニュラーイントルーダ実験における深層学習に基づく物体追跡
- Authors: Erdi Kara, George Zhang, Joseph J. Williams, Gonzalo Ferrandez-Quinto,
Leviticus J. Rhoden, Maximilian Kim, J. Nathan Kutz, Aminur Rahman
- Abstract要約: 本研究では,歩行液滴および粒状侵入実験に関心のある物体の深層学習に基づく追跡について述べる。
我々は、最先端の物体検出モデルYOLOとハンガリーアルゴリズムを利用して、歩行者や侵入者の軌道をリアルタイムで正確に抽出する。
- 参考スコア（独自算出の注目度）: 3.6695876625791635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a deep-learning based tracking objects of interest in walking
droplet and granular intruder experiments. In a typical walking droplet
experiment, a liquid droplet, known as \textit{walker}, propels itself
laterally on the free surface of a vibrating bath of the same liquid. This
motion is the result of the interaction between the droplets and the surface
waves generated by the droplet itself after each successive bounce. A walker
can exhibit a highly irregular trajectory over the course of its motion,
including rapid acceleration and complex interactions with the other walkers
present in the same bath. In analogy with the hydrodynamic experiments, the
granular matter experiments consist of a vibrating bath of very small solid
particles and a larger solid \textit{intruder}. Like the fluid droplets, the
intruder interacts with and travels the domain due to the waves of the bath but
tends to move much slower and much less smoothly than the droplets. When
multiple intruders are introduced, they also exhibit complex interactions with
each other. We leverage the state-of-art object detection model YOLO and the
Hungarian Algorithm to accurately extract the trajectory of a walker or
intruder in real-time. Our proposed methodology is capable of tracking
individual walker(s) or intruder(s) in digital images acquired from a broad
spectrum of experimental settings and does not suffer from any identity-switch
issues. Thus, the deep learning approach developed in this work could be used
to automatize the efficient, fast and accurate extraction of observables of
interests in walking droplet and granular flow experiments. Such extraction
capabilities are critically enabling for downstream tasks such as building
data-driven dynamical models for the coarse-grained dynamics and interactions
of the objects of interest.
- Abstract（参考訳）: 歩行液滴および粒状侵入実験に関心のあるディープラーニングに基づく追跡対象を提案する。
典型的な歩行液滴実験では、 \textit{walker} として知られる液体液滴が、同じ液体の振動する浴槽の自由表面を横方向に推進する。
この運動は、連続したバウンス後に滴自体によって生じる表面波と液滴の間の相互作用の結果である。
歩行器は、その運動の過程で非常に不規則な軌道を示し、高速加速や、同じ浴槽に存在する他の歩行器との複雑な相互作用を含む。
流体力学実験と類似して、粒状物質実験は、非常に小さな固体粒子の振動浴とより大きな固体の \textit{intruder} からなる。
流体液滴と同様に、侵入者は浴槽の波によってドメインと相互作用し、移動するが、液滴よりもはるかに遅く、より滑らかに動く傾向にある。
複数の侵入者が導入されると、それらは互いに複雑な相互作用を示す。
我々は、最先端の物体検出モデルYOLOとハンガリーアルゴリズムを利用して、歩行者や侵入者の軌道をリアルタイムで正確に抽出する。
提案手法は,幅広い実験環境から取得したデジタル画像において,個々のウォーカーや侵入者を追跡することが可能であり,同一性スイッチの問題に苦しむことはない。
したがって,本研究で開発された深層学習手法は,歩行液滴および粒状流実験における観測対象の効率的かつ迅速かつ正確な抽出を自動化できる。
このような抽出機能は、粗い粒度のダイナミクスのためのデータ駆動動的モデルの構築や、関心のあるオブジェクトのインタラクションなど、下流のタスクに極めて有効です。
関連論文リスト
- The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction [45.778221193374755]
本稿では, タングルサム流体力学に対処する新しいラグランジアン・ユーレリア複合パラダイムを提案する。
ユーレアン観測に基づいて未来を予測するのではなく、流体中に隠れたラグランジアン力学を発見するためにDeepLagを提案する。
DeepLagは、2Dと3D、シミュレートされた実世界の流体をカバーする3つの挑戦的な流体予測タスクに優れています。
論文 参考訳（メタデータ） (2024-02-04T09:45:35Z) - Learning locally dominant force balances in active particle systems [1.933681537640272]
我々は、自己組織化された活性粒子系におけるマクロパターン形成を説明する局所的な支配的な力について学習する。
本研究では, 加速器や移動密度帯などの多種多様なパターンを生じる自己推進粒子の古典的流体力学モデルについて検討する。
また, 粒子の速度が局所密度の影響を受けるシステムにおいて, パターン形成の類似の物理原理を明らかにする。
論文 参考訳（メタデータ） (2023-07-27T16:06:03Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Exploiting disorder to probe spin and energy hydrodynamics [6.655372107268362]
本稿では,局所相関関数を単一部位分解能まで測定できる新しい手法を提案する。
核スピン鎖のスピン輸送とエネルギー輸送を計測する。
興味深いことに、系が相互作用し、(ほぼ)可積分であるとき、拡散スピン輸送と弾道エネルギー輸送の共存が観察される。
論文 参考訳（メタデータ） (2022-09-19T19:38:05Z) - 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) - Teaching Robots to Grasp Like Humans: An Interactive Approach [3.3836709236378746]
本研究は,実証と修正に基づいて,人間から把握する複雑な作業がどのように学習されるかを検討する。
より良いデモを提供するように訓練する代わりに、専門家でないユーザには、最初のデモのダイナミクスをインタラクティブに修正する能力が提供される。
論文 参考訳（メタデータ） (2021-10-09T10:27:50Z) - Event-based Motion Segmentation with Spatio-Temporal Graph Cuts [51.17064599766138]
イベントベースカメラで取得したオブジェクトを独立に識別する手法を開発した。
この方法は、予想される移動物体の数を事前に決定することなく、技術状態よりも同等以上の性能を発揮する。
論文 参考訳（メタデータ） (2020-12-16T04:06:02Z) - Object Properties Inferring from and Transfer for Human Interaction
Motions [51.896592493436984]
本稿では,人間のインタラクション動作のみからオブジェクト特性を推測する,きめ細かい動作認識手法を提案する。
我々は、慣性モーションキャプチャー装置を用いて、演奏者の多数のビデオと3D骨格の動きを収集する。
特に, 相互作用対象の重み, 脆弱性, デリカシーを推定することにより, 相互作用対象の同定を学習する。
論文 参考訳（メタデータ） (2020-08-20T14:36:34Z)
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。