VortexViz: Finding Vortex Boundaries by Learning from Particle Trajectories

旋涡在各种科学学科中都有研究，可以提供流体流动行为的见解。可视化旋涡边界对于理解流动现象和检测流动不规则性至关重要。本文解决了使用深度学习技术准确提取旋涡边界的挑战。虽然现有方法主要是基于速度分量进行训练，但我们提出了一种新颖的方法，将粒子轨迹（流线或路径线）纳入学习过程。通过利用流线或路径线捕捉的流场的区域/局部特征，我们的方法旨在提高旋涡边界提取的准确性。

该论文旨在解决使用深度学习技术精确提取涡旋边界的挑战。

该论文的关键思路是将粒子轨迹（流线或路径线）纳入学习过程，以增强涡旋边界提取的准确性。

该论文的实验结果表明，与现有方法相比，该方法在涡旋边界提取方面具有更高的准确性和鲁棒性。论文使用了不同的数据集进行实验，并将开源代码提供给了科研社区。

在相关研究方面，最近的一些研究包括“基于卷积神经网络的涡旋边界提取”和“基于流体动力学的涡旋识别与跟踪”。