Key points are not available for this paper at this time.
颗粒图像速度测量（PIV）作为实验流体力学中的关键技术，能够通过连续的输入颗粒图像估计复杂的速度场。在本研究中，提出了一种名为ARaft-FlowNet的集成注意力机制的深度递归网络，基于先前建立的递归全对场变换光流模型。添加注意力模块以提高网络识别示踪颗粒运动的能力。此外，生成了一个参数化数据集ParaPIV-Dataset，以探索颗粒参数对深度学习网络的影响，包括颗粒直径、图像颗粒密度、高斯噪声和峰值强度。新提出模型的准确性和普遍性进行了全面评估和分析。结果表明，ARaft-FlowNet实现了最先进的性能。与之前的方法相比，ARaft-FlowNet在圆柱流、表面准地转流和DNS湍流流动中的准确性分别提升了62.9%、10.9%和9.4%。同时，所提模型在处理小尺度涡旋的复杂流场方面表现出最强的泛化能力和最佳的能力。此外，在实验湍流喷射数据上的测试表明，ARaft-FlowNet能够处理亮度变化和噪声的实际PIV图像.
Han等人（Sat，）研究了这个问题。