Apr, 2024
深度学习光流在获取活性液晶的速度场方面优于 PIV
Deep-learning Optical Flow Outperforms PIV in Obtaining Velocity Fields from Active Nematics
Phu N. Tran, Sattvic Ray, Linnea Lemma, Yunrui Li, Reef Sweeney...
TL;DR基于深度学习的光流（DLOF）通过使用深度卷积神经网络在相邻视频帧中提取特征来估计像素级别的物体间动作，并对不同标记条件下的 MT 活性液晶的自发流动进行了数量化能力评估。我们比较了 DLOF 和常用技术粒子成像测速仪（PIV）的效果，发现对于密集标记的样品，DLOF 产生的速度场比 PIV 显著更准确。我们展示了 PIV 的故障是因为该算法在高密度情况下无法可靠区分方向平行于液晶导向子的对比度变化。而 DLOF 克服了这个限制。对于稀疏标记的样品，DLOF 和 PIV 的结果具有类似的准确度，但 DLOF 提供更高分辨率的场。我们的工作将 DLOF 确立为一种在广泛的活性、柔性和生物物理系统中测量流体流动的多功能工具。