CN113159117A - 流线生成方法及装置 - Google Patents
流线生成方法及装置 Download PDFInfo
- Publication number
- CN113159117A CN113159117A CN202110264699.2A CN202110264699A CN113159117A CN 113159117 A CN113159117 A CN 113159117A CN 202110264699 A CN202110264699 A CN 202110264699A CN 113159117 A CN113159117 A CN 113159117A
- Authority
- CN
- China
- Prior art keywords
- streamline
- precision
- determining
- target
- streamlines
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
- G06F16/287—Visualization; Browsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种流线生成方法及装置。其中,该方法包括:获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。本申请解决了由于相关技术中需要长期的粒子追踪及大量的积分计算造成的计算时间长、流线生成效率低下及用户体验较差的技术问题。
Description
技术领域
本申请涉及流场领域,具体而言,涉及一种流线生成方法及装置。
背景技术
流场可视化是科学可视化的重要研究方向,帮助优化和理解复杂的科学、工程等流体模拟与观测数据,因此广泛应用于气候建模,空气动力学,湍流燃烧、计算流体力学等领域研究中。基于积分计算的流线可视化方法是最常用的揭示流场特征走向的方式,它是流场的一种稀疏表示。流线的计算需要先在放置种子点,再根据向量场计算种子点的轨迹路径,轨迹计算需要采用数值估计的方法求解,如龙格库塔法。
流线可视化的质量很大程度上影响了对于流场形态与特征的理解,过少的流线可能会遗漏流场重要的特征,但过多的流线会产生计算浪费,同时具有遮挡、聚集等问题。因此关于如何合理放置种子点的研究也是流场可视化的热门方向,其目标是在少量的计算下尽可能的去准确覆盖展示流场。另一方面基于交互的选取种子点的方式可以给与用户更多的自由度去控制生成的可视化结果,从而帮助用户更快的探索和了解流场信息。但由于流线生成的计算代价非常大,现有方法多在大规模集群机器的计算支持下,通过并行计算的方法来生成大量流线,这种方式会受到设备计算能力的限制,给用户带来不便。
对于大规模流场,用户难以需要获取全部数据,因此实时了解流场数据情况,可以帮助用户快速选择所需区域进行后续分析。目前的流场可视化系统常采用并行计算的方式加速粒子追踪,对计算资源的需求较高,单机的实时性较差,且需要存储整个流场数据。而许多相关研究学者并没有集群计算设备的支持,从而大大降低了可视化系统的效率和交互性。缺少轻量级的交互可视化系统,给用户快速了解流场整体情况提出了较大挑战,除感兴趣区域外,用户需要保存大量冗余数据,影响进一步深入研究,降低研究效率。
即相关技术中,流线需要长期的粒子追踪过程及大量的积分计算,在面向大规模流场可视化时时间效率较低,需要高性能计算设备进行辅助计算,由于流线生成的计算代价非常大,现有方法多在大规模集群机器的计算支持下,通过并行计算的方法来生成大量流线,这种方式会受到设备计算能力的限制,计算时间长,效率低下,会给用户带来不便,影响用户体验。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种流线生成方法及装置,以至少解决由于相关技术中需要长期的粒子追踪及大量的积分计算造成的计算时间长、流线生成效率低下及用户体验较差的技术问题。
根据本申请实施例的一个方面,提供了一种流线生成方法,包括:获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
可选地,将多条第一精度流线输入至目标模型之后,方法还包括:对种子点集合进行第二粒度的流线计算,将计算结果作为目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于第二粒度对应的精度;确定第二精度流线集合与流线真实值集合中,各自对应的各个元素的误差,根据误差优化目标模型。
可选地,确定第二精度流线集合与流线真实值集合中各个元素的误差,包括:从第二精度流线集合中选取第一目标流线,确定第一目标流线中至少一个目标位置点,确定目标位置点的第一坐标;从流线真实值集合中选取第二目标流线,确定第二目标流线中至少一个目标位置点,确定目标位置点的第二坐标;基于预设函数确定第一坐标与第二坐标的误差。
可选地,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型,包括:基于庞加莱指数的临界点检测算法对流场数据进行检测,确定临界点对应的目标区域及目标类型,其中,目标类型至少包括以下之一:螺旋或中心、交点和鞍点。
可选地,在确定临界点对应的目标区域及目标类型之后,方法还包括:根据目标类型,确定目标类型对应的预设种子点模板;在目标区域放置预设种子点模板。
可选地,在得到第二精度流线集合之后,方法还包括:至少根据第二精度流线集合中的流线对应的临界点的属性,确定属性对应的流线图,其中,属性包括:涡度、流线曲率、扭矩及向量场信息熵;其中,流线图设置有用于调节时间的时间轴,并接收来自控制装置的控制信号,其中,控制信号至少用于完成对流线的拖拽及对时间轴上时间的调节,以用于展示控制信号对应的时间下指定区域的流线信息,其中,指定区域为拖曳操作对应的区域。
可选地,在确定属性对应的流线图之后,方法还包括:确定流线图对应的流场等值面视图、向量场信息视图及临界点特征统计视图;其中,流场等值面视图、向量场信息视图及临界点特征统计视图均根据控制信号的变化,展示时间轴上的时间和/或指定区域的流线属性信息。
可选地,目标模型包括:自注意力机制模块,其中自注意力机制用于捕捉全局特征;深度可分离卷积模块,其中,深度可分离卷积模块用于捕捉局部特征;基于位置计算的前向网络模块,其中,基于位置计算的前向网络模块用于捕捉单个输入的特征。
根据本申请实施例的另一方面,还提供了一种流线生成装置,包括:获取模块,用于获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;第一确定模块,用于确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;第二确定模块,用于根据第一密度种子点的中心位置,确定第一密度种子点集合;第一计算模块,用于对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;第三确定模块,用于基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
可选地,装置还包括:训练单元,训练单元包括:第二计算模块,用于对种子点集合进行第二粒度的流线计算,将计算结果作为目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于第二粒度对应的精度;第四确定模块,用于确定第二精度流线集合与流线真实值集合中,各自对应的各个元素的误差,根据误差优化目标模型。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种流线生成方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种流线生成方法。
在本申请实施例中,采用基于MUSE模型进行分析的方式,通过获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度,达到了基于临界点对应的区域及临界点类型确定第一精度流线,并将该第一精度流线输入至MUSE模型进行分析的目的,从而实现了大大减少流场数据的计算量,提高了计算效率,进而提高用户体验的技术效果,进而解决了由于相关技术中需要长期的粒子追踪及大量的积分计算造成的计算时间长、流线生成效率低下及用户体验较差技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的流线生成方法的流程示意图;
图2是根据本申请实施例的一种可选的MUSE模型的结构示意图;
图3是根据本申请实施例的一种可选的不同的目标类型的临界点的结构示意图;
图4是根据本申请实施例一种可选的流场交互可视化系统的设计视图;
图5是根据本申请实施例一种可选的交互流场可视化系统流程图;
图6是根据本申请实施例的一种可选的对比展示初始计算的低精度流线,模型所生成的流线,和原始高精度流线结果的示意图;
图7是根据本申请实施例一种可选的显示红海海域的切片流线可视化结果的示意图;
图8(a)是根据本申请实施例一种可选的红海海域盐度等值面示意图;
图8(b)是根据本申请实施例的一种可选的红海海域温度等值面示意图;
图8(c)是根据本申请实施例的一种可选的红海海域速度量等值面示意图;
图8(d)是根据本申请实施例的一种可选的红海海域涡度量等值面示意图;
图9是根据本申请实施例的一种可选的展流场内向量信息熵随时刻的变化的示意图;
图10是根据本申请实施例的一种可选的流场内向量的分布情况的示意图;
图11是根据本申请实施例的一种可选的流场内临界点类型及对应个数分布随时间变化的趋势的示意图;
图12是根据本申请实施例的一种流线生成装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种流线生成方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的流线生成方法,如图1所示,该方法包括如下步骤:
步骤S102,获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;
步骤S104,确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;
步骤S106,根据第一密度种子点的中心位置,确定第一密度种子点集合;
步骤S108,对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;
步骤S110,基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
该流线生成方法中,首先,可获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;再确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;然后,根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;最后,基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度,从而实现了大大减少流场数据的计算量,提高了计算效率,进而提高用户体验的技术效果,进而解决了由于相关技术中需要长期的粒子追踪及大量的积分计算造成的计算时间长、流线生成效率低下及用户体验较差技术问题。
需要说明的是,预设算法根据流场数据计算庞加莱指数,根据计算结果完成对临界点的分类,上述目标模型为并行多尺度计算的注意力模型MUSE(Multi-Scaleattention)模型,如图2所示是MUSE模型的结构图,MUSE注意模型,其将卷积操作与注意力机制结合,需要说明的是,MUSE同样使用encoder-decoder结构,encoder将一个序列数据{x1,x2,…,xn}作为输入,将其编码为隐向量表示z,而decoder用来生成输出序列{y1,y2,…,yn}作为模型结果。算法核心为MUSE模块,如图2所示,其包括三个主要部分:自注意力机制(self-attention)用来捕捉全局特征,深度可分离卷积(depth-wise seperable convolution)来捕捉局部特征,和一个基于位置计算的前向网络来捕捉单个输入的特征。模块接受上一层i-1的输出作为输入,输出可表示为:
Xi=Xi-1+Attention(Xi-1)+Conv(Xi-1)+Pointwise(Xi-1)
模型的encoder是由多层MUSE模块组成,并采用了残差学习机制和归一化层(layer normalization).Decoder也具有相似的结构。
同时交互流场可视化系统对实时性要求较高,由于MUSE操作的可并行性,大大提高了计算速率,加速了模型的推断时间,使得应用时可以快速生成大量流线数据。
首先,将稀疏的流线集合SL输入模型,经过多层MUSE模块组成的encoder进行编码,再由decoder在输出层输出高精度流线集合SH。本算法在与原始高精度流线数据比较中可达到较高的准确性,并且提高了高精度流线生成的效率,增强交互可视化的实时性。
需要说明的是,数据集可分为训练集和测试集,其中训练数据对包含输入的稀疏流线与输出的稠密流线。
本申请一些可选的实施例中,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型,可通过以下步骤实现:基于庞加莱指数的临界点检测算法对流场数据进行检测,确定临界点对应的目标区域及目标类型,其中,目标类型至少包括以下之一:螺旋或中心、交点和鞍点。具体地,对于每个流场,首先进行基于庞加莱PoincarreBendixon参数的临界点检测,如图3所示,为不同的目标类型的临界点的结构示意图,从左到右,依次为螺旋/中心、交点和鞍点。
本申请一些可选的实施例中,将多条第一精度流线输入至目标模型之后,方法还包括:对种子点集合进行第二粒度的流线计算,将计算结果作为目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于第二粒度对应的精度;确定第二精度流线集合与流线真实值集合中,各自对应的各个元素的误差,根据误差优化目标模型。即,对定目标区域中与目标类型对应的第一密度种子点进行精细的流线计算,可得到高精度的流线真值SH作为模型所需的训练输出;在此基础上,对于流场中每个临界点区域,求出第一步生成的种子点的中心,作为稀疏的种子点集合,并进行粗粒度的流线计算,得到点数远小于上述精细流线的粗糙流线SL,作为模型的训练输入,以此作为模型的训练数据对。
本申请一些可选的实施例中,确定第二精度流线集合与流线真实值集合中各个元素的误差,包括:从第二精度流线集合中选取第一目标流线,确定第一目标流线中至少一个目标位置点,确定目标位置点的第一坐标;从流线真实值集合中选取第二目标流线,确定第二目标流线中至少一个目标位置点,确定目标位置点的第二坐标;基于预设函数确定第一坐标与第二坐标的误差。具体地,对于模型所生成的高精度稠密流线集合S′H,我们有真值的流线集合SH,在训练过程中,为了保证模型输出能够更接近于真值,我们可采用流线上点坐标的均方差损失MSE作为我们训练模型的损失函数,MSE定义为:
本申请一些可选的实施例中,在确定临界点对应的目标区域及目标类型之后,可以根据目标类型,确定目标类型对应的预设种子点模板;在目标区域放置预设种子点模板,例如,目标类型为鞍点类型,则确定预设种子点模板为鞍点类型,并在该临界点的位置处放置鞍点类型的种子点模板。
本申请一些可选的实施例中,在得到第二精度流线集合之后,可以至少根据第二精度流线集合中的流线对应的临界点的属性,确定属性对应的流线图,其中,属性包括但不限于:涡度、流线曲率、扭矩及向量场信息熵;其中,流线图设置有用于调节时间的时间轴,并接收来自控制装置的控制信号,其中,控制信号至少用于完成对流线的拖拽及对时间轴上时间的调节,以用于展示控制信号对应的时间下指定区域的流线信息,其中,指定区域为拖曳操作对应的区域。
具体地,在基于深度学习的流线高精度生成基础上,开发了包含流线绘制,统计信息展示的交互流场可视化系统,通过不同视图之间的数据联动,对流场所具有的临界点位置分布,特征属性分布,统计信息以及流场结构进行交互可视化展示,用户可通过交互选择感兴趣的时空区域,自由生成所需的可视化结果,了解流场目标区域的特征信息,提高用户对流场数据分析效率,避免获取到大量不需要的冗余数据。系统可满足用户不同的分析需求:
(1)选择流场内某一区域进行流线可视化,展示流场特征结构分布。
(2)查看当前时刻流场,或选择区域内流场的临界点个数,及统计对应类型分布。
(3)查看流场自身属性及信息量信息。
以下对上述属性作一说明:
(1)涡度
(2)流线曲率
流线曲率可以用来描述流线的弯曲程度。
其中a为局部加速度,为jacobian矩阵与速度的乘积。
a=(▽v)v
(3)扭矩
扭矩可以表现流线的扭转程度。
(4)向量场信息熵
对于任意的变量x∈{x1,x2,…,xn},如果知道取值的概率p(xi),可以计算其包含的信息熵。
将其应用的向量场,我们首先对向量进行分桶,得到其对应的直方图,这样,对于每一个在桶xi内的向量,可以计算它取值的概率为
其中,C(xi)为桶xi内的向量个数。这样,可以用公式计算得到向量场的信息熵。
本申请一些实施例中,在确定属性对应的流线图之后,可绘制表示其他属性的视图,例如,确定流线图对应的流场等值面视图、向量场信息视图及临界点特征统计视图;其中,流场等值面视图、向量场信息视图及临界点特征统计视图均根据控制信号的变化,展示时间轴上的时间和/或指定区域的流线属性信息。
如图4所示,展示了流场交互可视化系统的设计视图,系统的流场可视化主要有4个部分组成:高精度流线可视化,流场速度量和旋度量等值面视图,向量场信息量视图,临界点特征统计图。各个部分可以通过用户选取不同的时间和空间区域进行联动变换,用户可以通过上方的时间轴选择不同时刻的流场,不同视图从各个维度展示流场信息。
流线可视化视图展示了当前选择区域的高精度流线,流线围绕在临界点区域,如图4(a)所示,我们在展示高精度流线的基础上,用户可以使用上方的时间轴组件选择不同时间的流线进行展示,同时可以使用鼠标对视图内的流线进行拖拽,变化观察角度,或者放大缩小当前视图,对局部进行观察。
如图4(b)所示,流场等值面视图是对了流场中所具属性进行等值面绘制,如速度量和涡度量,并以颜色框形式将识别出的临界点进行标注,用户可通过选择不同属性的等值面,了解流场区域的某一属性的整体分布情况。我们将属性分为标量值(如盐度等)和向量的大小(如速度量)。同时,视图可以提供关联分析,了解某一属性与临界点位置及数量的关系。
向量场信息量视图描述出流场内的不确定性及向量极角值的分布情况。如图4(c)所示,当前流场区域的信息熵会以下方折线图形式展示,y坐标轴是对应的时刻。用户点选某一时刻时,该时刻在折线图上被标记高亮,同时上方展示该时刻的向量直方图,采用极性坐标直方图的形式,向量依据极角被分进60个桶内进行数量统计,用户可以观测到不同极角值下向量的数量分布情况。
如图4(d1)所示,临界点特征统计视图对当前所选流场区域内在不同时刻的临界点类型及对应个数进行了统计,临界点类型包括鞍点,螺旋/中心和交点,分别用不同的颜色表示。图4(d2)视图采用堆叠柱状图形式,x坐标轴代表流场的时刻,y坐标轴为临界点个数,临界点总数以折线形式展示。用户可以通过下方时间轴选择某一范围内的时刻进行展示,通过鼠标悬浮,用户可以得到具体的临界点数量。通过时间线的横向比较,用户可以查看流场内特征情况的变化趋势。同时,如图4(d1)所示,通过极坐标热力图,按天数展示了流场内临界点个数分布的变化情况。可以快速看到不同临界点类型在整个时间范围内的分布。
可选地,目标模型包括:自注意力机制模块,其中自注意力机制用于捕捉全局特征;深度可分离卷积模块,其中,深度可分离卷积模块用于捕捉局部特征;基于位置计算的前向网络模块,其中,基于位置计算的前向网络模块用于捕捉单个输入的特征。
图5是根据本申请实施例的交互流场可视化系统流程图,如图5所示,该系统主要包括三个部分:临界点检测、高精度流线生成以及流畅可视化分析。其中,临界点检测主要包括基于流场数据,计算庞加莱指数,基于计算结果完成临界点分类,高精度流线生成部分主要包括模型训练和模型推断两部分,其中,模型训练主要包括:放置稀疏种子点,绘制低精度流线,采用模型(MUSE模型)生成高精度流线,然后在放置稠密种子点,利用龙格库塔法生成Ground Truth(即真值),然后基于模型生成的高精度流线与Ground Truth进行损失比较,优化模型,模型推断部分为放置稀疏种子点,绘制低精度流线,然后模型生成高精度流线,最后,建立可视化数据模型,该模型包括:交互流线可视化、临界点特征可视化、流场等值面、向量场信息量。
为了更好理解本申请实施例,现以以下具体实施例,对本申请进行进一步说明:
1.实验数据采集
本申请采用的数据集如表1所示,其中Smoke数据集由烟雾模拟程序生成,分别进行了2维和3维的模拟,每一个模拟可以产生200个时间步长。红海数据集来自ScivisContest 2020发布的比赛数据集,涵盖了一个月的红海海域模拟数据,区域范围为30°E-50°E,10°N-30°N,空间分辨率为0.04°×0.04°(4km),其本身是3维数据,深度为50,由于海洋流场运动多为平流运动,我们对其从Z轴方向进行了数据切片,生成实验数据。
2.模型结构及训练
基于Pytorch实现MUSE模型,采用多头注意力模型作为自注意力模型,注意力头数为4,模型包含12个残差模块作为编码奇,对应的有12个残差模块作为解码器,隐藏维度为1024。我们在两个NVIDIA GTX 1080Ti GPU上进行模型训练,批尺寸batch为设为32,对于单个卷积核,核大小为7,对于动态卷积核,核大小为3。初始学习率为0.001,采用预热学习warmup机制来调整学习率,warmup更新率为4K。
3.评价指标
对于MUSE模型所生成的高精度流线,采用MCPD(mean of the closest poinydistancing)来比较其与原始高精度流线之间的距离误差。
MCPD常用来作为轨迹线之间的相似性度量,对于其中一条流线,计算其每个点到另外流线上最近点的距离并求平均。
MCPD(Si,Sj)=mean(dm(Si,Sj),dm(Sj,Si))
其中Si(j)为一条流线,即一组点pk(l)的集合,且
其中,MCPD越小,流线越相近。
而为了衡量所生成流线对于原始流场的代表性与描述准确性,我们采用量化方式评价流线质量,即通不同方式生成的流线去重建向量场。如果流线可视化成功展示了流场内的大部分信息,那么所重建的流场应该具有较小的误差。
使用gradient vector flow(GVF)来重建向量场,其使用高斯平滑权重且不断迭代优化向量场直至扩散方程收敛。PSNR衡量了流场中每个坐标点上向量之间的平均误差。通过比较生成向量场与原始向量场的PSNR(peak signal-to-noise ratio),我们可以有效评价流线质量。
PSNR(v,v′)=20log10 MAX(v)-10log10 MSE(v,v′)
其中,MAX(v)是向量场中最大值与最小值的差,越高的PSNR代表两个流场越相近,即重建的准确率越高。
CPd由于PSNR只针对衡量向量场中单个向量之间的误差,无法评价流场之间特征情况的差距,为此,定义了一个新的评价指标CPd,即对重建的向量场再次进行临界点检测,与原始流场中的临界点进行对比分析,求出对应临界点的距离,作为定量评价标准之一,流场之间的误差CPd即为流场内临界点距离的和并对临界点个数进行规范。
其中,ci和c′i为原始流场与重建流场中对应的临界点,若没有找到对应点,则距离定为1,Nc和N′c为对应的临界点个数。
4.结果分析
为了衡量高精度流线生成算法的准确性与高效性,将线性插值方法作为比较的baseline,并与原始经过积分计算的高精度流线进行比较分析,分别从定性与定量角度,从精确度、还原性与时间效率评价算法模型。
5.定量分析
表2比较低精度流线,插值,与MUSE生成算法
如表2所示,将生成的高精度流线与初始计算的低精度流线所重建的向量场进行对比分析,可以看到,高精度流线对于原始流场的涵盖更高,描述更准确,因此通过流线重建的向量场从PSNR与CPd指标上与原始向量场更为接近,这也说明了高精度流线生成的必要性,可以向用户更准确的描述流场。
此外,可对比插值方法生成的高精度流线与MUSE模型所生成的高精度流线的对应指标。可以看出,模型的生成的流线与原始高精度流线更为接近,MCPD更小。通过流线重构向量场,比较与原始向量场的PSNR与CPd指标,可以看到,相比于线性插值方法,模型所得到的向量场更加接近原始向量场,检测到的临界点位置也更加准确。
表3模型时间效率对比分析
如表3所示,我们对比分析了模型生成流线与采用龙格库塔阶积分运算的时间效率与种子点个数的关系。
从表3中可以看出,由于MUSE继承了Transformer可并行的优势并进行了并行计算优化,且由于流线为模型一次性全部输出,模型的推断时间与流线密度关系不大,因此,种子点个数越多,深度学习模型的效率优势越大。
图6对比展示了初始计算的低精度流线,模型所生成的流线,和原始高精度流线结果。从上到下一次为红海海域局部流场数据,2维烟雾流场数据与3维烟雾流场数据。可以看到,从流线可视化的角度来看,在三个数据集上,尽管模型所生成的流线仍具有一定的粗糙性,但都能够较为准确的还原出原始的高精度流场及对应的特征。且由于种子点增多和流线精度提升,相比于低精度流线,模型生成的高精度流线对于流场特征的描述更为准确和清晰,如在红海海洋流场数据中,一些低精度流线没有很好展示的螺旋结构和鞍点结构,在高精度流线中都能够被很好的还原。
基于本申请所提的流场可视化交互系统,选择红海数据集对红海海域进行可视化分析,多维度分析其流场特征。
图7显示了红海海域的切片流线可视化结果,颜色由速度量进行渲染,并由框圈出流场内临界点位置,用户可以点选选择不同深度的切片流场,或者通过鼠标拖拽操作选择某一区域的流场进行流线绘制。
从高精度流线与关键情况可以看出,红海海域的涡旋(即临界点)更多的分布在海岸附近,尤其是红海北部涡旋数量更多。而南部的亚丁湾区域,涡旋分布数量较少,但可以从流线看出涡旋结构都较大,包含有3个较大的螺旋涡,以及分布在周围的鞍点区域。
根据流场的不同属性可以进行等值面绘制,由于海洋流场数据的特殊性,用户可以选择查看其速度,涡度大小的等值面,也可以查看温度、盐度的等值面数据。图8(a),8(b),8(c),8(d)分别为海洋流场的盐度、温度、速度量、涡度量的等值面绘制,临界点在图上被圈出,临界点的颜色由该位置的速度量进行映射,用户可以观察到流场中不同属性的分布情况,及其与临界点生成的相关性。
从图8(a)可以看出,红海海域北端,即苏伊士湾区域和亚喀巴湾区域盐度更高,且红海整体海域越靠北等值面颜色越深,即盐度越高;从红海的中部海域可以看出,海岸边盐度要高于中心盐度,对应的关键数量也更多;而南部的亚丁湾海域盐度较低,根据其颜色深度的分布情况也可以看出明显的涡旋结构,说明洋流中盐的浓度迁移与洋流或湍流运动具有极大的相关性,气旋涡。
从图8(b)中可以看到海域的温度分布,红海海域的北端和南端温度都较低,而中部的温度较高。且中间东部海域要比西部海域温度更高。从温度的等值面绘制中也可以可看到一些涡旋结构与临界点位置正好对应,例如,在气旋涡作用下,将海底冷流带入上方暖流,使得涡旋内部温度相比于周围更低,在反气旋涡的作用下,将暖流传递到下方冷流,使得涡旋内部温度较高。
图8(c),图8(d)分别为海域的速度值与涡度值得等值面映射,可以看到,涡度较高的位置会有临界点的分布,此时的流场得旋转程度更高,更容易形成螺旋/中心圆形状的临界点特征。
图9展示了流场内向量信息熵随时刻的变化情况,可以看到,流场整体信息包含量有随时间逐渐减少的趋势,但同时也会有波动震荡,整体信息熵在2-8之间。
图10展示了流场内向量的分布情况,为更好地分析其与流场特征结构的关联,我们将其与高精度流线视图并列展示。可以看到,流场内具有临界点特征时,流场向量更倾向于具有较多变化性,即直方图更倾向于呈现均匀分布地特征,对应的熵也就越大。
为对所选流场内的临界点特征信息进行量化展示,图11展示了流场内临界点类型及对应个数分布随时间变化的趋势。可以看到,随着时间的演变,临界点数量呈现一个先减少又增多的趋势。且从堆叠柱状图上可以看到,相比于鞍点和螺旋结构的临界点,交点结构的临界点区域较少,而螺旋结构的临界点数量较多。
图12是根据本申请实施例的一种流线生成装置,如图12所示,包括:
获取模块40,用于获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;
第一确定模块42,用于确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;
第二确定模块44,用于根据第一密度种子点的中心位置,确定第一密度种子点集合;
第一计算模块46,用于对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;
第三确定模块48,用于基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
该流线生成装置中,获取模块40,用于获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;第一确定模块42,用于确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;第二确定模块44,用于根据第一密度种子点的中心位置,确定第一密度种子点集合;第一计算模块46,用于对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;第三确定模块48,用于基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度,从而实现了大大减少流场数据的计算量,提高了计算效率,进而提高用户体验的技术效果,进而解决了由于相关技术中需要长期的粒子追踪及大量的积分计算造成的计算时间长、流线生成效率低下及用户体验较差技术问题。
本申请一些可选的实施例中,该流线生成装置中还包括:训练单元,训练单元包括:第二计算模块,用于对种子点集合进行第二粒度的流线计算,将计算结果作为目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于第二粒度对应的精度;第四确定模块,用于确定第二精度流线集合与流线真实值集合中,各自对应的各个元素的误差,根据误差优化目标模型。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种流线生成方法。
具体地,上述存储介质用于存储执行以下功能的程序指令,实现以下功能:获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种流线生成方法。
具体地,上述处理器用于调用存储器中的程序指令,实现以下功能:获取流场数据,基于预设算法对流场数据进行检测,确定临界点对应的目标区域及目标类型;确定目标区域中与目标类型对应的第一密度种子点,其中,第一密度小于预设密度;根据第一密度种子点的中心位置,确定第一密度种子点集合;对第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;基于目标模型对多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,第二精度流线的精度大于第一精度流线的精度。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种流线生成方法,其特征在于,包括:
获取流场数据,基于预设算法对所述流场数据进行检测,确定临界点对应的目标区域及目标类型;
确定所述目标区域中与所述目标类型对应的第一密度种子点,其中,所述第一密度小于预设密度;
根据所述第一密度种子点的中心位置,确定第一密度种子点集合;
对所述第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;
基于目标模型对所述多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,所述第二精度流线的精度大于第一精度流线的精度。
2.根据权利要求1所述的方法,其特征在于,将所述多条第一精度流线输入至目标模型之后,所述方法还包括:
对所述种子点集合进行第二粒度的流线计算,将计算结果作为所述目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于所述第二粒度对应的精度;
确定所述第二精度流线集合与所述流线真实值集合中,各自对应的各个元素的误差,根据所述误差优化所述目标模型。
3.根据权利要求2所述的方法,其特征在于,确定所述第二精度流线集合与所述流线真实值集合中各个元素的误差,包括:
从所述第二精度流线集合中选取第一目标流线,确定所述第一目标流线中至少一个目标位置点,确定所述目标位置点的第一坐标;
从所述流线真实值集合中选取第二目标流线,确定所述第二目标流线中至少一个目标位置点,确定所述目标位置点的第二坐标;
基于预设函数确定所述第一坐标与所述第二坐标的误差。
4.根据权利要求1所述的方法,其特征在于,基于预设算法对所述流场数据进行检测,确定临界点对应的目标区域及目标类型,包括:
基于庞加莱指数的临界点检测算法对所述流场数据进行检测,确定所述临界点对应的目标区域及目标类型,其中,所述目标类型至少包括以下之一:螺旋或中心、交点和鞍点。
5.根据权利要求4所述的方法,其特征在于,在确定所述临界点对应的目标区域及目标类型之后,所述方法还包括:
根据所述目标类型,确定所述目标类型对应的预设种子点模板;
在所述目标区域放置所述预设种子点模板。
6.根据权利要求1所述的方法,其特征在于,在得到所述第二精度流线集合之后,所述方法还包括:
至少根据所述第二精度流线集合中的流线对应的所述临界点的属性,确定所述属性对应的流线图,其中,所述属性包括:涡度、流线曲率、扭矩及向量场信息熵;
其中,所述流线图设置有用于调节时间的时间轴,并接收来自控制装置的控制信号,其中,所述控制信号至少用于完成对所述流线的拖拽及对所述时间轴上时间的调节,以用于展示所述控制信号对应的时间下指定区域的流线信息,其中,所述指定区域为拖曳操作对应的区域。
7.根据权利要求6所述的方法,其特征在于,在确定所述属性对应的流线图之后,所述方法还包括:
确定所述流线图对应的流场等值面视图、向量场信息视图及临界点特征统计视图;
其中,所述流场等值面视图、所述向量场信息视图及所述临界点特征统计视图均根据所述控制信号的变化,展示所述时间轴上的时间和/或所述指定区域的流线属性信息。
8.根据权利要求1所述的方法,其特征在于,所述目标模型包括:
自注意力机制模块,其中所述自注意力机制用于捕捉全局特征;
深度可分离卷积模块,其中,所述深度可分离卷积模块用于捕捉局部特征;
基于位置计算的前向网络模块,其中,所述基于位置计算的前向网络模块用于捕捉单个输入的特征。
9.一种流线生成装置,其特征在于,包括:
获取模块,用于获取流场数据,基于预设算法对所述流场数据进行检测,确定临界点对应的目标区域及目标类型;
第一确定模块,用于确定所述目标区域中与所述目标类型对应的第一密度种子点,其中,所述第一密度小于预设密度;
第二确定模块,用于根据所述第一密度种子点的中心位置,确定第一密度种子点集合;
第一计算模块,用于对所述第一密度种子点集合进行第一粒度的流线计算,得到多条第一精度流线;
第三确定模块,用于基于目标模型对所述多条第一精度流线进行优化,得到多条第二精度流线组成的第二精度流线集合,其中,所述第二精度流线的精度大于第一精度流线的精度。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:训练单元,所述训练单元包括:
第二计算模块,用于对所述种子点集合进行第二粒度的流线计算,将计算结果作为所述目标模型训练时参考的流线真实值集合,其中,第一粒度对应的精度小于所述第二粒度对应的精度;
第四确定模块,用于确定所述第二精度流线集合与所述流线真实值集合中,各自对应的各个元素的误差,根据所述误差优化所述目标模型。
11.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述流线生成方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述流线生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264699.2A CN113159117A (zh) | 2021-03-11 | 2021-03-11 | 流线生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264699.2A CN113159117A (zh) | 2021-03-11 | 2021-03-11 | 流线生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159117A true CN113159117A (zh) | 2021-07-23 |
Family
ID=76886571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264699.2A Pending CN113159117A (zh) | 2021-03-11 | 2021-03-11 | 流线生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159117A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362988A (zh) * | 2021-09-29 | 2022-04-15 | 中国科学院计算机网络信息中心 | 网络流量的识别方法及装置 |
CN115859485A (zh) * | 2023-02-27 | 2023-03-28 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶外形特征的流线种子点选取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694725A (zh) * | 2009-10-10 | 2010-04-14 | 北京理工大学 | 一种拓扑驱动的平面流场流线放置方法 |
CN103226804A (zh) * | 2013-04-12 | 2013-07-31 | 山东大学 | 一种基于流线重心Voronoi图的流场可视化方法 |
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
US20180268559A1 (en) * | 2017-03-16 | 2018-09-20 | Electronics And Telecommunications Research Institute | Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor |
CN110008387A (zh) * | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 流场可视化实现方法、装置及电子设备 |
CN110211224A (zh) * | 2019-05-30 | 2019-09-06 | 中国地质大学(北京) | 基于信息熵特征提取的地下水流场流线绘制方法及系统 |
CN110781446A (zh) * | 2019-09-20 | 2020-02-11 | 中国海洋大学 | 海洋中尺度涡旋拉格朗日平均涡度偏差快速计算方法 |
-
2021
- 2021-03-11 CN CN202110264699.2A patent/CN113159117A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694725A (zh) * | 2009-10-10 | 2010-04-14 | 北京理工大学 | 一种拓扑驱动的平面流场流线放置方法 |
CN103226804A (zh) * | 2013-04-12 | 2013-07-31 | 山东大学 | 一种基于流线重心Voronoi图的流场可视化方法 |
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
US20180268559A1 (en) * | 2017-03-16 | 2018-09-20 | Electronics And Telecommunications Research Institute | Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor |
CN110008387A (zh) * | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 流场可视化实现方法、装置及电子设备 |
CN110211224A (zh) * | 2019-05-30 | 2019-09-06 | 中国地质大学(北京) | 基于信息熵特征提取的地下水流场流线绘制方法及系统 |
CN110781446A (zh) * | 2019-09-20 | 2020-02-11 | 中国海洋大学 | 海洋中尺度涡旋拉格朗日平均涡度偏差快速计算方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362988A (zh) * | 2021-09-29 | 2022-04-15 | 中国科学院计算机网络信息中心 | 网络流量的识别方法及装置 |
CN114362988B (zh) * | 2021-09-29 | 2023-06-20 | 中国科学院计算机网络信息中心 | 网络流量的识别方法及装置 |
CN115859485A (zh) * | 2023-02-27 | 2023-03-28 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶外形特征的流线种子点选取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | An information-theoretic framework for flow visualization | |
Krone et al. | Fast Visualization of Gaussian Density Surfaces for Molecular Dynamics and Particle System Trajectories. | |
CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
Zhang et al. | An efficient approach to directly compute the exact Hausdorff distance for 3D point sets | |
Post et al. | The state of the art in flow visualisation: Feature extraction and tracking | |
Post et al. | Feature extraction and visualisation of flow fields. | |
Yu et al. | Hierarchical streamline bundles | |
Jänicke et al. | Brushing of attribute clouds for the visualization of multivariate data | |
Dang et al. | Transforming scagnostics to reveal hidden features | |
Hétroy-Wheeler et al. | Segmentation of tree seedling point clouds into elementary units | |
CN113159117A (zh) | 流线生成方法及装置 | |
He et al. | Multivariate spatial data visualization: a survey | |
Maciejewski et al. | Abstracting attribute space for transfer function exploration and design | |
CN109376787A (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
CN111354076A (zh) | 一种基于嵌入空间的单幅图像三维零件组合式建模方法 | |
Sun et al. | An improved spatial point cloud simplification algorithm | |
CN110363713A (zh) | 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法 | |
Clyne et al. | Physically-based feature tracking for CFD data | |
Fuchs et al. | Delocalized Unsteady Vortex Region Detectors. | |
Nguyen et al. | Physics‐based Pathline Clustering and Exploration | |
Tian et al. | Digital imaging based on fractal theory and its spatial dimensionality | |
CN108387928A (zh) | 基于地震特征变换空间的数据构建方法 | |
Li et al. | PPSAN: Perceptual-aware 3d point cloud segmentation via adversarial learning | |
Cheng et al. | Soft Margin Triplet-Center Loss for Multi-View 3D Shape Retrieval |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |