基于嵌入互相关全卷积网络的鲁棒单像素粒子图像测速
流体动力学
2022-01-12 v1 人工智能
计算机视觉与模式识别
摘要
粒子图像测速（PIV）在实验流体力学中至关重要。本工作中，我们提出一种新的速度场估计范式，实现了深度学习方法与传统互相关方法的协同结合。具体而言，深度学习方法用于优化并修正粗糙速度猜测以达到超分辨率计算；而互相关方法基于大查询窗口的粗糙相关提供初始速度场。作为参考，粗糙速度猜测有助于提升所提算法的鲁棒性。该嵌入互相关的全卷积网络被命名为 CC-FCN。CC-FCN 有两类输入层，一类用于粒子图像，另一类用于以粗糙分辨率经互相关计算的初始速度场。首先，两个金字塔模块分别提取粒子图像与初始速度场的特征；随后融合模块恰当地融合这些特征；最后，CC-FCN 通过一系列反卷积层实现超分辨率计算以获得单像素速度场。考虑到监督学习策略，生成包含真实流体运动的合成数据集以训练网络参数。使用合成与真实实验 PIV 数据集就精度、准确度、空间分辨率与鲁棒性测试训练后的神经网络。测试结果表明，CC-FCN 的这些属性相较其他被测 PIV 算法均有进一步提升。因此，所提模型可为 PIV 实验提供具竞争力且鲁棒的估计。
引用
@article{arxiv.2111.00395,
title = {A robust single-pixel particle image velocimetry based on fully convolutional networks with cross-correlation embedded},
author = {Qi Gao and Hongtao Lin and Han Tu and Haoran Zhu and Runjie Wei and Guoping Zhang and Xueming Shao},
journal= {arXiv preprint arXiv:2111.00395},
year = {2022}
}