基于深度学习从视频中识别多粒子系统的主导运动
机器学习
2021-04-27 v1
摘要
从高维观测数据中提取底层控制方程和物理相关信息一直是物理科学中的挑战。随着传感技术和可用数据集的最新进展，各种机器学习技术已能够从足够干净和可用的数据集中提炼底层数学模型。然而，这些技术大多依赖于系统的先验知识和通过物理系统模拟或直接信号测量获得的无噪声数据。因此，在观测数据含有噪声且需要特征工程来提取相关特征的现实世界中，使用这些技术获得的推断往往不可靠。在这项工作中，我们提供了一种深度学习框架，该框架从高度随机系统的真实世界视频中提取相关信息，无需先验知识，并提炼代表该系统的底层控制方程。我们在蚂蚁、白蚁、鱼类等受限多智能体/粒子系统的视频以及具有弹性碰撞相互作用的模拟受限多粒子系统上展示了该方法。此外，我们探究了这些看似多样的系统如何具有可预测的底层行为。在本研究中，我们使用计算机视觉和运动跟踪来提取系统中个体智能体/粒子的空间轨迹，并通过使用 LSTM VAE 将这些特征投影到低维潜空间，从中使用 SINDy 框架提取代表数据的底层微分方程。
引用
@article{arxiv.2104.12722,
title = {Dominant motion identification of multi-particle system using deep learning from video},
author = {Yayati Jadhav and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2104.12722},
year = {2021}
}