論文の概要: FlowHON: Representing Flow Fields Using Higher-Order Networks

• arxiv url: http://arxiv.org/abs/2312.02243v1
• Date: Mon, 4 Dec 2023 11:50:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 18:00:12.345174
• Title: FlowHON: Representing Flow Fields Using Higher-Order Networks
• Title（参考訳）: FlowHON:高次ネットワークを用いた流れ場表現
• Authors: Nan Chen, Zhihong Li, Jun Tao
• Abstract要約: FlowHONは、フローフィールドから高階ネットワーク(HON)を構築するためのアプローチである。 FlowHONは、フローフィールドに固有の高階依存関係をノードとしてキャプチャし、それらの間の遷移をエッジとして推定する。
• 参考スコア（独自算出の注目度）: 4.761836945285552
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Flow fields are often partitioned into data blocks for massively parallel computation and analysis based on blockwise relationships. However, most of the previous techniques only consider the first-order dependencies among blocks, which is insufficient in describing complex flow patterns. In this work, we present FlowHON, an approach to construct higher-order networks (HONs) from flow fields. FlowHON captures the inherent higher-order dependencies in flow fields as nodes and estimates the transitions among them as edges. We formulate the HON construction as an optimization problem with three linear transformations. The first two layers correspond to the node generation and the third one corresponds to edge estimation. Our formulation allows the node generation and edge estimation to be solved in a unified framework. With FlowHON, the rich set of traditional graph algorithms can be applied without any modification to analyze flow fields, while leveraging the higher-order information to understand the inherent structure and manage flow data for efficiency. We demonstrate the effectiveness of FlowHON using a series of downstream tasks, including estimating the density of particles during tracing, partitioning flow fields for data management, and understanding flow fields using the node-link diagram representation of networks.
• Abstract（参考訳）: フローフィールドは、ブロック的な関係に基づく超並列計算と解析のために、しばしばデータブロックに分割される。 しかし,従来の手法のほとんどはブロック間の一階依存性のみを考慮しており,複雑なフローパターンの記述には不十分である。 本研究では,フローフィールドから高次ネットワーク(HON)を構築するためのFlowHONを提案する。 FlowHONは、フローフィールドに固有の高次の依存関係をノードとしてキャプチャし、それらの間の遷移をエッジとして推定する。 我々はHON構造を3つの線形変換を用いた最適化問題として定式化する。 最初の2層はノード生成に対応し、3層はエッジ推定に対応する。 この定式化により,ノード生成とエッジ推定を統一フレームワークで解くことができる。 FlowHONでは、フローフィールドを解析するための変更なしに従来のグラフアルゴリズムのリッチなセットを適用することができ、高次情報を活用して固有の構造を理解し、効率よくフローデータを管理することができる。 本研究では,トレース中の粒子密度の推定,データ管理のためのフローフィールドの分割,ネットワークのノードリンク図表現を用いたフローフィールドの理解など,一連の下流タスクを用いてflowhonの有効性を示す。

関連論文リスト

• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
  本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。 従来の前方累積よりも後方累積の方が優れていることを示す。 長距離光流量推定におけるAccFlowの有効性を検証する実験
  論文  参考訳（メタデータ） (2023-08-25T01:51:26Z)
• AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
  ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。 まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。 第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:18:47Z)
• Generalized Relation Modeling for Transformer Tracking [13.837171342738355]
  ワンストリームトラッカーは、すべてのエンコーダ層を通して、テンプレートが検索領域内のすべての部分とやり取りすることを可能にする。 これは、抽出された特徴表現が十分に識別できない場合に、ターゲットと背景の混乱を引き起こす可能性がある。 適応トークン分割に基づく一般化された関係モデリング手法を提案する。 提案手法は,2ストリーム,1ストリームのパイプラインよりも優れており,リアルタイム実行速度の6つのベンチマークにおいて,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2023-03-29T10:29:25Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• Multiscale Graph Neural Network Autoencoders for Interpretable Scientific Machine Learning [0.0]
  この研究の目的は、オートエンコーダベースのモデルにおいて、潜在空間解釈可能性と非構造化メッシュとの互換性という2つの制限に対処することである。 これは、複雑な流体流れのアプリケーションのデモを含む、新しいグラフニューラルネットワーク(GNN)自動エンコーディングアーキテクチャの開発によって達成される。
  論文  参考訳（メタデータ） (2023-02-13T08:47:11Z)
• Graphical Residual Flows [2.8597160727750564]
  この研究は、可逆的残差ネットワークに基づくグラフィカルフローであるグラフィカル残差フローを導入している。 フローに依存性情報を組み込むアプローチは、これらのフローのヤコビ行列を正確に計算できることを意味します。
  論文  参考訳（メタデータ） (2022-04-23T09:57:57Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)
• OT-Flow: Fast and Accurate Continuous Normalizing Flows via Optimal Transport [8.468007443062751]
  正規化フローは任意の確率分布と標準正規分布の間の可逆写像である。 OT-Flowは、より広範なCNFの使用を制限する2つの重要な計算課題に取り組む。 5つの高次元密度推定および生成モデリングタスクにおいて、OT-Flowは最先端CNFと競合して動作する。
  論文  参考訳（メタデータ） (2020-05-29T22:31:10Z)

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。