-
早期的研究。点评：用NN做PIV思路的起源
Grant I , Pan X . The use of neural techniques in PIV and PTV[J]. Measurement Science & Technology, 1997, 8(8):1399.
Romano F , Grant I , Pan X , et al. Neural-Network Method Applied to the Stereo Image Correspondence Problem in Three-Component Particle Image Velocimetry[J]. Applied Optics, 1998, 37(17):3656. -
早期研究之一。点评：用BP训练神经网络的方式求解速度场,此法至今很新颖，但是梯度下降算法(GD)收敛很慢。新的快速的NN训练算法可以迁移过来试试效果，发文章。
Kimura I , Susaki Y , Kiyohara R , et al. Gradient-based PIV using neural networks[J]. Journal of Visualization, 2002, 5(4):363-370.
-
用卷积神经网络（CNN）进行PIV速度场求解的文章。点评：类似于互相关的机制，多轮迭代，精度高，耗时长。
Yong L, Hua Y, Yin Z. PIV-DCNN: cascaded deep convolutional neural networks for particle image velocimetry[J]. Experiments in Fluids, 2017, 58(12):171. -
用全卷积网络(FCN)进行PIV速度场求解的文章。点评：用FCN的方式解决了计算效率问题，缺点是单轮计算，精度稍低。
Rabault J , Kolaas J , Jensen A . Performing particle image velocimetry using artificial neural networks: a proof-of-concept[J]. Measurement Science and Technology, 2017. -
用FlowNet的单网络进行PIV速度场求解的文章。点评：与上述FCN的方式基本相同，估计作者想完全搬FlowNet，但 估计是warping模块（网络实现2维插值计算）的原因，作者并没有采用多轮迭代，这是个改进点。
Cai S , Zhou S , Xu C , et al. Dense motion estimation of particle images via a convolutional neural network[J]. Experiments in Fluids, 2019, 60(4):73.
网友评论