如何计算rigid flow

最新推荐文章于 2025-06-03 21:31:47 发布

weixin_45714660

最新推荐文章于 2025-06-03 21:31:47 发布

阅读量314

点赞数 3

文章标签：人工智能深度学习 python

本文链接：https://blog.youkuaiyun.com/weixin_45714660/article/details/126941473

版权

本文介绍GeoNet在无监督条件下学习密集深度、光流及摄像机位姿的方法。通过DepthNet和PoseNet预测深度D、内参K及位姿T，并详细解释如何计算rigidflow。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

paper：GeoNet: Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose

rigid flow计算公式首先rigid flow等于源帧s的像素点坐标减目标帧像素坐标(source image - target image)

那么，如何在已知target image的像素坐标时求rigid flow？

通过DepthNet,PoseNet预测出相应的深度D，内参K以及位姿信息T，计算source image的像素坐标Ps：

source image的像素坐标Ps
紫色部分代表将target image的像素坐标投影到世界坐标系（2D—>3D），从3D投影到2D平面丢弃了深度信息，所以从2D到3D在此要乘上深度信息D

蓝色部分：将target image location转换到source image location，所以在紫色部分左乘位姿T

绿色部分：将source image的世界坐标转换为像素坐标（3D—>2D）

最后rigid flow = Ps - Pt

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_45714660

关注关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

GeoNet学习笔记

计算机视觉学习爱好者

08-25

2778

GeoNet: Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose-CVPR2018 这篇论文提出了一种联合学习深度、光流和相机姿态的无监督学习框架GeoNet。之前的论文单独讨论深度、光流、相机姿态，没有讨论这些任务之间的相关性。 GeoNet是基于3D场景几何的本质特征，直观的解释就是——3D场景都是由静...

论文翻译——GeoNet：用于单目深度估计、光流和相机运动的无监督学习框架

LCJhust2012的博客

06-04

5571

前言 2018年CVPR会议上，商汤科技SenseTime被收录的论文中，有一篇《GeoNet--Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose》，提出了一个叫做GeoNet的框架——一种可以联合学习单目深度、光流和相机姿态的无监督学习框架，其表现超越了现有的一些无监督学习方法，并且取得了可以与监督学习方法...

参与评论您还未登录，请先登录后发表或查看评论

Rigid3DSceneFlow：CVPR2021论文的代码“刚性3D场景流的弱监督学习”

03-04

刚性3D场景流的弱监督学习该存储库提供代码和数据，以训练和评估用于严格3D场景流估计的弱监督方法。它代表了该文件的正式实施：，，， | | | | 有关更多信息，请参见环境设定注意：此存储库中的代码已在Ubuntu 16.04 / 20.04，Python 3.7，CUDA 10.1 / 10.2，PyTorch 1.7.1和MinkowskiEngine 0.5.1上进行了测试。它可能适用于其他设置，但尚未经过测试。在继续之前，请确保已正确安装和设置CUDA。克隆此存储库后，您可以继续使用Python 3.7设置并激活一个虚拟环境。如果您使用的是cuda（10.1）的其他版本，请相应地更改pytorch安装说明。 export CXX=g++-7 conda config --append channels conda-forge conda

学习笔记2022.7.25-7.30

m0_57469698的博客

07-31

1467

记录学习slam以及深度学习

Deep Rigid Instance Scene Flow

aceyaya的博客

07-28

889

javac 可在任何路径下执行，但.java文件需要在自己所在路径下进行编译正确文件编译步骤：d:(转D盘)——cd code\day01（找到该文件所在目录下）——javac HelloWorld.java（编译java文件，并形成类class文件）——java hellochina（运行class）报错原因：HelloWorld.java文件不在C:\Users\admin目录下报错原因：HelloWorld.java文件不在C:\Users\admin目录下 ...

上海析模计算机科技,FLOW-3D

weixin_39992665的博客

07-09

512

c11 FLOW-3D 是高效能的计算仿真工具，工程师能够根据自行定义多种物理模型，应用於各种不同的工程领域。藉由精确预测自由液面流动(free-surface flows)，FLOW-3D可以协助您在工程领域中改进现有制程。FLOW-3D是一套全功能的软件，不需要额外加购网格生成模块或者事後处理模块。完全整合的图像式使用者介面让使用者可以快速的完成仿真专案设定到结果输出。网格与几何 Meshi...

Representation Flow for Action Recognition

surprising

12-04

995

这篇是发表在CVPR2019的一篇论文。论文地址 motivation： 1.从传统方法计算光流到用深度学习去学习就算光流，费时耗力，而且一般都是从image开始的，经过一些处理得到了光流，让后用网络再提取光流的特征，这样很繁琐，因此本文提取了不用局限于在image层，在卷积特征层上也可以提取光流（当然也用到了光流算法TV-L1），学习任何表示层的运动信息，而且是完全可微的（fully-diffe...

计算机视觉库

weixin_39580537的博客

05-13

1119

本文章有转载自其它博文，也有自己发现的新库添加进来的，如果发现有新的库，可以推荐我加进来转自：http://www.cnblogs.com/tornadomeet/archive/2012/05/24/2515980.html Deep Learning（深度学习）： ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一 ufldl的2个教程(这个没得说，入门...

计算机视觉大神

seuStones's Blog

12-05

639

转自：CV界的明星人物们（转载加补充） CV人物1：Jianbo Shi史建波毕业于UC Berkeley，导师是Jitendra Malik。其最有影响力的研究成果：图像分割。其于2000年在PAMI上多人合作发表”Noramlized cuts and image segmentation”。这是图像分割领域内最经典的算法。主页：www.cis.upenn.edu/~jshi/ 和www.cs.

计算机视觉论文-2021-06-16

中科院AI算法工程师的博客

06-21

1870

本专栏是计算机视觉方向论文收集积累，时间：2021年6月16日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:A Value-Function-based Interior-point Method for Non-convex Bi-level Optimization AUTHORS: Risheng Liu ; Xuan Liu ; ...

RAFT-3D Scene Flow using Rigid-Motion Embeddings.pdf

02-16

RAFT-3D Scene Flow using Rigid-Motion Embeddings RAFT-3D 是一种新的深度学习架构，旨在解决场景流问题，即从一对立体或 RGB-D 视频帧估计像素级 3D 运动。RAFT-3D 基于 RAFT 模型，但迭代更新密集的像素级 SE3 ...

Deep Rigid Instance Scene Flow.pdf

09-14

首先，让我们深入理解场景流（scene flow）的概念。场景流指的是从一系列连续时间的立体图像对中估计出的三维运动场。它最早被引入是为了描述场景中每个点的三维运动。通过场景流，我们可以对场景的几何形状、总体...

03_scene_flow场景流跟踪1

08-03

最后，当涉及到动态场景结构的恢复时，结合立体视觉和时间序列的信息，3D Scene Flow Estimation with a Piecewise Rigid Scene Model（2015年CVPR）提供了一个解决方案。这种方法假设场景由多个刚体部分组成，通过...

Flow Topology on Closed-loop Stability of Vehicle Platoon

08-30

rigid formation. A linearized vehicle longitudinal dynamic model is derived using the exact feedback linearization technique, which accommodates the inertial delay of powertrain dynamics. Directed ...

【大模型:知识图谱】--3.py2neo连接图数据库neo4j

最新发布

我是个好人呀，????

06-03

977

本文介绍了Neo4j图数据库的安装与基本操作。主要内容包括：1) 使用py2neo连接Neo4j数据库；2) 通过Python实现节点创建、删除、属性修改等操作；3) 建立节点间关系的方法；4) 使用NodeMatcher和RelationshipMatcher进行节点和关系查询；5) 通过实例演示如何创建人物节点及其关系网络。文章还对比了Neo4j社区版和企业版的差异。全文提供了完整的代码示例，涵盖从连接到CRUD操作的完整流程。

当无人驾驶遇见无声天使，让AI司机与爱相伴“童”行

UISEE2031的博客

06-01

598

在中关村房山园内，驭势科技多款无人驾驶车辆整齐列队，没有普通汽车的轰鸣，这些AI司机用闪烁的灯光和显示着“无人驾驶”字样的屏幕迎接孩子们的到来。在AI的帮助下，TA们对于未来无人驾驶车的描述变成了一个个具象的画面，孩子们纷纷合影留念，想要定格心中梦想的种子。

3步在小米13手机跑DeepSeek R1

羊仔的博客

06-03

777

大家好！我是羊仔，专注AI工具、智能体、编程。

OpenCV CUDA模块直方图计算------在 GPU 上计算输入图像的直方图（histogram）函数histEven()

jndingxin的专栏

05-29

1465

该函数用于在 GPU 上计算输入图像的直方图（histogram）。它将像素值区间均匀划分为若干个 bin（桶），并统计每个 bin 中像素的数量。

大模型分布式训练笔记(基于accelerate+deepspeed分布式训练解决方案)

谢白羽

06-03

958

背景介绍海量的训练数据给大模型训练带来了海量的计算需求，主要体现在变大的模型对显存的依赖逐渐加剧单卡场景如何解决显存问题1 ）可训练参数量降低①参数高效微调--PEFT②prompt-Tuning、Prefix-Tuning、Lora等 2 ）参数精度降低①低精度模型训练--Bitsandbytes②半精度、INT8、NF4分布式训练简介指的是系统或计算任务被分布到多个独立的节点或计算资源上进行处理，而不是集中在单个节点或计算机上。

阶段一：原型开发（Week 1-4）流体动力学建模（Day1-3） 1. 三维建模准备软件环境： SOLIDWORKS 2024（教育版） Flow Simulation插件（高级流体分析模块）基础模型参数：水轮类型：佩尔顿冲击式叶轮直径：18mm 叶片数量：24片（双排交错布局）喷嘴直径：1.2mm DiffCopyInsert 2. 边界条件设定 // 压力边界矩阵 pressure_range = linspace(0.2,0.6,5); // MPa单位 flow_velocity = [2.1, 2.8, 3.5, 4.2, 5.0]; // m/s对应流速 // 材料属性 water_density = 998.2 kg/m³ @25℃ dynamic_viscosity = 0.001002 Pa·s DiffCopyInsert 3. 倾角迭代测试协议 # 自动化参数扫描脚本 for angle in range(15,26): adjust_blade_angle(angle) # SOLIDWORKS API控制 run_simulation('Transient', 5000 iterations) record_data( output_power = torque * rpm * 0.1047, # 功率计算式 efficiency = (output_power / (0.5 * density * A * v³)) * 100 ) DiffCopyInsert 4. 关键分析指标 | 参数 | 计算公式 | 目标阈值 | |------|---------|---------| | 涡流损耗 | ∫(ω²)dV | <0.3W | | 压力恢复系数 | (P_out - P_in)/0.5ρv² | >0.65 | | 临界空化数 | (P - P_vapor)/(0.5ρv²) | >2.5 | 5. 硬件验证准备 3D打印验证件：材料：Formlabs Rigid 10K Resin 精度：50μm层厚后处理：乙醇超声清洗+UV二次固化测试台搭建： // 数据采集系统 pressure_sensor: BMP388 (0-1MPa量程) flow_sensor: YF-S201霍尔效应式 torque_meter: 微型应变片式（量程0-5mN·m） DiffCopyInsert 实验数据对比（Day4） CFD与实测数据对比表 | 转速(rpm) | 模拟值 | 实测值 | 误差率 | |----------|--------|--------|--------| | 1500 | 1523 | 1487 | 2.42% | | 3200 | 3255 | 3084 | 5.25% | 修正措施：添加表面粗糙度参数（Ra=3.2μm）修正湍流模型：k-ω SST替代标准k-ε模型增加边界层网格（5层，增长率1.2）设计冻结标准能量转换效率 ≥18% 启动水流速度 ≤0.45m/s 轴向载荷 ≤0.8N（确保电机寿命）成本控制措施电机改造：采用WD40解密后的硬盘电机（东芝MQ04ABF系列） 3D打印策略：中空结构（壁厚0.6mm）+蜂窝状填充（密度12%）电路板自制：采用JLCPCB SMT贴片服务（50片成本≈¥120）交付物清单仿真报告（PDF，含收敛曲线图）参数化模型（SLDPRT+SLDDRW）实验数据集（CSV格式）设计验证计划（Excel跟踪表）通过该实施方案，团队可在72小时内完成三轮设计迭代，确保涡轮模块在0.3MPa工况下实现至少15%的水能-电能转换效率，为后续集成测试奠定基础。建议使用Git进行版本控制，每次迭代生成tag标记（如v0.1-alpha）。 Chat 基于此想法，给出更详细的实施步骤

03-09

<think>好的，用户的问题是关于使用SOLIDWORKS 2024和Flow Simulation插件对佩尔顿冲击式水轮进行流体动力学建模及原型开发的详细步骤。我需要先理解用户的具体需求，然后逐步分解问题，提供清晰的实施步骤和相关建议。首先，用户提到的内容涉及三维建模、边界条件设定、倾角迭代测试、关键指标评估、硬件验证准备，还有自动化脚本、数据对比、修正措施和成本控制。这些方面都需要详细展开，每个步骤可能需要分点说明，确保用户能够按步骤操作。接下来，我需要回忆SOLIDWORKS Flow Simulation的基本操作流程。例如，三维建模部分需要创建水轮机的叶片、喷嘴、转轮等部件，并确保几何精度。边界条件的设定可能包括入口流速、出口压力、旋转参数等。倾角迭代测试可能需要参数扫描，这里用户提到了自动化脚本，可能需要使用Flow Simulation的API或宏功能来实现参数自动调整和结果记录。然后，关键分析指标如效率、压力分布、扭矩输出，这些需要明确如何通过CFD模拟获取，并与实际测量数据对比。数据对比方法可能包括误差计算、图表生成等。修正措施可能涉及几何优化或材料调整，成本控制则需要考虑模拟次数、材料选择等因素。还需要注意用户提到的引用内容，特别是引用3中关于中文字符路径的问题，需提醒用户确保文件路径为英文，避免插件出错。同时，引用1中提到的Flow Simulation的功能，可以强调其在模拟中的优势，如参数化研究和结果可视化。可能用户在实际操作中会遇到哪些问题？比如网格划分的细节、收敛性问题，或者脚本编写的困难。虽然用户没有直接提问这些，但在步骤中可以适当加入注意事项或常见问题解决方法，如调整网格精度、监控求解器收敛情况等。最后，生成的相关问题需要围绕用户主题展开，例如性能优化方法、与其他软件的对比、成本控制案例等，帮助用户进一步深入学习。现在需要将以上思考整理成结构化的回答，分步骤详细说明，确保每个环节都覆盖用户的需求，并引用提供的资料中的相关信息，特别是文件路径问题和Flow Simulation的集成优势。同时，语言要简明，避免过于技术化，让用户容易理解。</think>以下是使用SOLIDWORKS 2024及其Flow Simulation插件对佩尔顿冲击式水轮机进行流体动力学建模与原型开发的系统化实施步骤： ### 一、三维建模阶段 1. **基础建模** - 使用$r=\sqrt{x^2+y^2}$极坐标公式构建水斗曲面，通过**曲面放样**功能生成渐开线型水斗几何体 - 采用**参数化设计**关联喷嘴直径$D$与水斗开度$h$的比例关系：$$h = 1.2D + \frac{D^2}{150}$$ [^2] 2. **装配体优化** - 转轮与喷嘴的配合间隙控制在$0.05-0.1mm$范围 - 设置**质量属性检查**确保转动惯量$I=\frac{1}{2}mr^2$满足设计要求 ### 二、Flow Simulation设置 1. **边界条件** | 参数类型 | 设定值 | 公式依据 | |----------------|--------------------------|-----------------------| | 入口压力 | 3-6MPa动态范围 | 伯努利方程$P+\frac{1}{2}\rho v^2=C$ | | 出口背压 | 标准大气压101.325kPa | ISO标准 | | 旋转参考系 | 角速度$\omega=2\pi n/60$ | 转轮动力学方程 | 2. **网格划分策略** - 边界层设置3层加密网格，首层厚度$y^+<5$满足湍流模型要求 - 全局网格尺寸按$D/50$控制，重点区域局部加密至$D/200$ ### 三、自动化参数扫描 ```vbscript ' Flow Simulation API示例 Sub ParameterSweep() Dim swApp As Object Set swApp = Application.SldWorks For theta = 15 To 30 Step 5 ' 倾角迭代范围 swApp.ActiveDoc.Parameter("D1@Sketch1").Value = theta swApp.RunMacro "C:\Macros\RunAnalysis.swp" ResultsExport "Data_" & CStr(theta) Next theta End Sub ``` *注：需配合SOLIDWORKS宏录制功能实现自动参数迭代[^3]* ### 四、关键指标评估 1. **CFD-实测对比方法** - 建立误差矩阵：$$E_{ij} = \frac{|X_{sim}-X_{exp}|}{X_{exp}} \times 100\%$$ - 采用**动态时间规整(DTW)**算法对齐非同步采集数据 2. **修正措施优先级** ```mermaid graph TD A[效率偏差>5%] --> B[检查边界层分离] A --> C[优化水斗曲面曲率] C --> D[重新计算质量流量平衡] ``` ### 五、硬件验证准备 1. **3D打印验证模型** - 选择光敏树脂材料时考虑$E=2.1GPa$弹性模量与$\nu=0.33$泊松比 - 保留0.2%尺寸补偿量应对材料收缩 2. **成本控制策略** - 采用田口方法设计$L_9(3^4)$正交试验减少模拟次数 - 优先优化对效率影响最大的前3个参数（参见灵敏度分析结果） ### 六、数据对比报告建议构建如下对比表格： | 工况点 | 理论效率(%) | CFD结果(%) | 实测值(%) | 偏差Δ | |--------|-------------|------------|-----------|-------| | 额定 | 89.2 | 87.5 | 86.8 | 0.7 | | 超载 | 82.1 | 79.4 | 78.9 | 0.5 | *注：所有数据存储路径必须使用全英文目录*