以深神经网络为基础的“端对端”学习场变换以测量粒子图像速度
最后更新：2021-10-18 20:29:22 手机定位技术交流文章
编辑 | 萝卜皮
应用物理学和工程学方面的许多问题包括了解数据对物理的迁移。粒子图像速度(PIV)是许多部门,包括汽车、飞机和生物医学工程等部门使用的实验流体动力学的一个重要方法。
德国阿萨姆工业大学的研究人员建议采用基于深神经网络端到端研究点迁移的技术,重点是粒子图像速度评估的独特参数。
7月20、20、20、20号《自然机器情报》刊登了这份作品,
PIV是实验性流体动力学的一项基本技术,用以确定在复杂的工程问题上流体的速度,目前PIV实验所起重要作用的研究课题包括:研究内燃机的内部气流,例如提高效率或减少污染物排放;研究与心脏辅助装置中异常血液流中血块发育相关的危险;减少心脏辅助装置中异常血液流中的血块。
实物存量核实试验及其分析和总体程序的设置。
粒子图像速度测量是一种非侵入性光学方法,利用周围液体的速度将浮点粒子(跟踪粒子)添加到流动中,通过薄高功率激光束照亮流动,以记录这些微粒的动向。 相机用于记录两幅短间隔的颗粒,一般为微秒。
确定可能的流离失所地点,即代表流动中当地流离失所的矢量场,是PIV实验提供的数据的重要问题。传统的PIV方法通过将输入图片分解成小查询窗口发挥作用,然后这些窗口相继连接。通常,相关功能的最大值是作为两个查询窗口之间局部变化的估计值。
尽管这些传统技术在过去二十年中确立了标准,但它们包括复杂的算法,使得人类有必要优化程序。 提高这些工具的能力所需的大量努力是持续发展PIV的关键障碍,特别是在需要大规模移徙的情况下。 受目前传统的PIV方法的这些制约因素的驱使,研究人员将深光学习的概念与PIV分析结合起来。
它展示了如何利用端到端神经网络技术成功学习实地转变,该方法基于被称为循环到实地转换(RAFT)的新的光流学习神经网络结构。 与旧的手工方法相比,它很常见,几乎是自动化的,并估算了调查在许多应用中至关重要的更细和更不稳定的尺度所需的流动强度。
深神经网络,特别是咖喱神经网络,是计算机可视化的重要工具,近些年来,人们已经建议采用几种神经网络技术进行光流学习。 通常,这些方法通过指定输出端到端网络为理想的光流来消除人工构造分析管道。
然而,动态流体流动的多样性以及粒子图像条件的可变性意味着PIV后处理方案需要高度概括新的流动性和光度条件,这继续构成挑战。 受这些挑战的启发,研究人员研究了如何在PIV分析中使用RAFT。 经验结果表明,与传统方法和现有光流学习者相比,具有挑战性的基准和实验范例有了显著改进。 新的方法为在这一领域进一步采用自我监督或不受监督的学习方法打开了大门,并允许高空间分辨率(类似于最近的其他神经发光计),因为它预测了每个像素的迁移。
RAFT-PIV的主要组成部分与粒子图像数据集进行了比较。
RAFT-PIV是研究人员描述的一个深层神经网络结构,用来估计PIV应用中的光流,RAFT-PIV在公共PIV数据库中达到了最新精确度,比现有的监测和非监督学习技术要好,迭代更新可以对后续流动进行微调,这可以说是RAFT-PIV中最显著的要素。
循环更新算子，例如 Conv-GRU 或 ConvLSTM，进一步提高了 RAFT-PIV 的性能，这可能是由于门控激活有助于细化过程收敛。RAFT-PIV 在更具挑战性的流场和图像条件（例如低粒子密度和不断变化的光照条件）下也表现良好，这些条件对许多实际应用都很重要。对不同粒子图像条件的系统测试表明，RAFT-PIV 对不同的粒子大小具有稳健性，在 SNR > 2 时效果很好，并且在高粒子条件下表现最佳。以开箱即用的方式将 RAFT-PIV 应用于实验 PIV 数据展示了其泛化能力和显着提高空间分辨率的能力，同时匹配最先进的 PIV 算法。
利用深入的学习方法进行PIV分析,为采用新的方法研究在广泛应用物理学和工程学中遇到的较小规模的当前波动打开了大门。 RAFT-PIV的令人感兴趣的扩展包括不受监督和自我监督的损失公式以及立体视觉的扩展。 此外,与物理信息神经网络的整合,使得能够综合对物理等式的控制,是一个有希望的新研究方向,可以同时估计各种物理数量,例如速度、压力和减压。 另外一个关键主题是对原则的不确定性进行量化;一种办法是考虑扩大Bayesian RAFT-PIV的范围,这将不仅允许提出估计,而且允许进行分配后的工作。
[生物、神经学、数学、物理学、材料]x人工智能
科学学会侧重于人造情报与其他尖端技术和基础科学的整合和交叉研究。
欢迎来到星星, 你可以欢呼和观看 点击右下角。
本文由 在线网速测试 整理编辑，转载请注明出处。
