- Правильное ортогональное разложение с оптимизацией рассеяния (arXiv)
Автор: Педер Й. Олесен, Азур Ходжич, Сёрен Й. Андерсен, Нильс Н. Сёренсен, Клара М. Вельте.
Аннотация: Мы представляем формализм для оптимизированной диссипации декомпозиции тензора скорости деформации (SRT) данных о турбулентном потоке с использованием правильной ортогональной декомпозиции (POD). Формализм включает в себя новый обратный спектральный оператор СТО, позволяющий отображать результирующие моды СТО в соответствующие поля скоростей, что обеспечивает полную реконструкцию поля скоростей с оптимизацией рассеяния. Моментальные снимки данных потока получены путем прямого численного моделирования турбулентного течения в канале с числом Рейнольдса трения Reτ=390. Режимы POD (d-POD) с наименьшим рассеянием сравниваются с режимами POD (e-POD) с наименьшими обычными режимами турбулентной кинетической энергии (TKE). Самые низкие моды d-POD демонстрируют более богатую мелкомасштабную структуру, а также следы крупномасштабной структуры, характерной для мод e-POD, что указывает на то, что первые захватывают структуры в более широком диапазоне пространственных масштабов. Профили как TKE, так и диссипации восстанавливаются с использованием обоих разложений, и сходимости реконструкции сравниваются во всех случаях. Как TKE, так и диссипация восстанавливаются более эффективно в пристеночной области с высоким уровнем диссипации с использованием мод d-POD, а в объеме с высоким уровнем TKE с использованием мод e-POD. Более низкие моды любого разложения имеют тенденцию вносить больший вклад в любую реконструированную величину. Разделение каждого члена на собственные значения и факторы, относящиеся к неотъемлемым структурам в каждой моде, показывает, что более высокие режимы e-POD, как правило, кодируют более диссипативные структуры, тогда как структуры, кодируемые режимами d-POD, имеют примерно постоянное внутреннее содержание TKE, подтверждая гипотезу о том, что структуры закодированные режимами d-POD, как правило, охватывают широкий диапазон пространственных масштабов.
2. Правильный подход ортогональной декомпозиции для уменьшения параметров сетей Single Shot Detector (arXiv)
Автор: Лаура Менегетти, Никола Демо, Джанлуиджи Розза.
Аннотация: Являясь крупным прорывом в области искусственного интеллекта и глубокого обучения, сверточные нейронные сети добились впечатляющих успехов в решении многих проблем в нескольких областях, включая компьютерное зрение и обработку изображений. Производительность в реальном времени, надежность алгоритмов и быстрые процессы обучения остаются открытыми проблемами в этих контекстах. Кроме того, распознавание и обнаружение объектов являются сложными задачами для встраиваемых систем с ограниченными ресурсами, обычно используемых в промышленном секторе. Чтобы преодолеть эти проблемы, мы предлагаем структуру уменьшения размерности, основанную на правильной ортогональной декомпозиции, классическом методе уменьшения порядка модели, чтобы добиться уменьшения количества гиперпараметров сети. Мы применили такую структуру к архитектуре SSD300 с использованием набора данных PASCAL VOC, продемонстрировав уменьшение размера сети и заметное ускорение тонкой настройки сети в контексте передачи обучения.
