Direkt zum Inhalt

Diese Website setzt ausschließlich technisch notwendige Cookies ein, die spätestens mit dem Schließen Ihres Browsers gelöscht werden. Wenn Sie mehr über Cookies erfahren möchten, klicken Sie bitte auf die Datenschutzerklärung.

DE EN
Anmelden
Logo, zur Startseite
  1. Sie sind hier:
  2. Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry (data)
...

    Datenpaket: Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry (data)

    • RADAR-Metadaten
    • Inhalt
    • Statistiken
    • Technische Metadaten
    Alternativer Identifier:
    (KITopen-DOI) 10.5445/IR/1000146837
    Verwandter Identifier:
    -
    Ersteller/in:
    Dreisbach, Maximilian https://orcid.org/0000-0001-6308-0982 [Institut für Strömungsmechanik]

    Leister, Robin https://orcid.org/0000-0002-0286-8183 [Institut für Strömungsmechanik]

    Probst, Matthias https://orcid.org/0000-0001-8729-0482 [Institut für Thermische Strömungsmaschinen]

    Friederich, Pascal https://orcid.org/0000-0003-4465-1465 [Institut für Theoretische Informatik]

    Stroh, Alexander [Institut für Strömungsmechanik]

    Kriegseis, Jochen https://orcid.org/0000-0002-2737-2539 [Institut für Strömungsmechanik]
    Beitragende:
    -
    Titel:
    Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry (data)
    Weitere Titel:
    -
    Beschreibung:
    (Technical Remarks) This repository contains the supplementary data to our contribution "Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry" to the 2022 Measurement Science and Technology special issue on the topic “Machine Learning and Data... This repository contains the supplementary data to our contribution "Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry" to the 2022 Measurement Science and Technology special issue on the topic “Machine Learning and Data Assimilation techniques for fluid flow measurements”. This data includes annotated images used for the training of neural networks for particle detection on DPTV recordings as well as unannotated particle images used for training of the image-to-image translation networks for the generation of refined synthetic training data, as presented in the manuscript. The neural networks for particle detection trained on the aforementioned data are contained in this repository as well. An explanation on the use of this data and the trained neural networks, containing an example script can be found on GitHub (https://github.com/MaxDreisbach/DPTV_ML_Particle_detection)

    This repository contains the supplementary data to our contribution "Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry" to the 2022 Measurement Science and Technology special issue on the topic “Machine Learning and Data Assimilation techniques for fluid flow measurements”. This data includes annotated images used for the training of neural networks for particle detection on DPTV recordings as well as unannotated particle images used for training of the image-to-image translation networks for the generation of refined synthetic training data, as presented in the manuscript. The neural networks for particle detection trained on the aforementioned data are contained in this repository as well. An explanation on the use of this data and the trained neural networks, containing an example script can be found on GitHub (https://github.com/MaxDreisbach/DPTV_ML_Particle_detection)

    Zeige alles Zeige Markdown
    Schlagworte:
    Defocusing Particle Tracking Velocimetry
    Synthetic Training Data Refinement
    Particle Detection
    Zugehörige Informationen:
    -
    Sprache:
    -
    Herausgeber/in:
    Karlsruhe Institute of Technology
    Erstellungsjahr:
    2022
    Fachgebiet:
    Engineering
    Objekttyp:
    Dataset
    Datenquelle:
    -
    Verwendete Software:
    -
    Datenverarbeitung:
    -
    Erscheinungsjahr:
    2023
    Rechteinhaber/in:
    Dreisbach, Maximilian https://orcid.org/0000-0001-6308-0982

    Leister, Robin https://orcid.org/0000-0002-0286-8183

    Probst, Matthias https://orcid.org/0000-0001-8729-0482

    Friederich, Pascal https://orcid.org/0000-0003-4465-1465

    Stroh, Alexander

    Kriegseis, Jochen https://orcid.org/0000-0002-2737-2539
    Förderung:
    -
    Zeige alles Zeige weniger
    Name Speichervolumen Metadaten Upload Aktion
    Status:
    Publiziert
    Eingestellt von:
    kitopen
    Erstellt am:
    2023-04-20
    Archivierungsdatum:
    2023-06-21
    Archivgröße:
    4,2 GB
    Archiversteller:
    kitopen
    Archiv-Prüfsumme:
    58187a036e9149de4f52b5708f30da84 (MD5)
    Embargo-Zeitraum:
    -
    DOI: 10.35097/1333
    Publikationsdatum: 2023-06-21
    Datenpaket herunterladen
    Herunterladen (4,2 GB)

    Metadaten herunterladen
    Statistik
    0
    Views
    0
    Downloads
    Lizenz für das Datenpaket
    Dieses Werk ist lizenziert unter
    CC BY 4.0
    CC icon
    Datenpaket zitieren
    Dreisbach, Maximilian; Leister, Robin; Probst, Matthias; et al. (2023): Particle Detection by means of Neural Networks and Synthetic Training Data Refinement in Defocusing Particle Tracking Velocimetry (data). Karlsruhe Institute of Technology. DOI: 10.35097/1333
    • Über das Repository
    • Datenschutzerklärung
    • Nutzungsbedingungen
    • Impressum
    • Erklärung zur Barrierefreiheit
    powered by RADAR
    1.22.10 (f) / 1.16.4 (b) / 1.22.4 (i)

    RADAR4KIT ist ein über das Internet nutzbarer Dienst für die Archivierung und Publikation von Forschungsdaten aus abgeschlossenen wissenschaftlichen Studien und Projekten für Forschende des KIT. Betreiber ist das Karlsruher Institut für Technologie (KIT). RADAR4KIT setzt auf dem von FIZ Karlsruhe angebotenen Dienst RADAR auf. Die Speicherung der Daten findet ausschließlich auf IT-Infrastruktur des KIT am Steinbuch Centre for Computing (SCC) statt.

    Eine inhaltliche Bewertung und Qualitätsprüfung findet ausschließlich durch die Datengeberinnen und Datengeber statt.

    1. Das Nutzungsverhältnis zwischen Ihnen („Datennutzerin“ bzw. „Datennutzer“) und dem KIT erschöpft sich im Download von Datenpaketen oder Metadaten. Das KIT behält sich vor, die Nutzung von RADAR4KIT einzuschränken oder den Dienst ganz einzustellen.
    2. Sofern Sie sich als Datennutzerin oder als Datennutzer registrieren lassen bzw. über Shibboleth legitimieren, kann Ihnen seitens der Datengeberin oder des Datengebers Zugriff auch auf unveröffentlichte Dokumente gewährt werden.
    3. Den Schutz Ihrer persönlichen Daten erklären die Datenschutzbestimmungen.
    4. Das KIT übernimmt für Richtigkeit, Aktualität und Zuverlässigkeit der bereitgestellten Inhalte keine Gewährleistung und Haftung, außer im Fall einer zwingenden gesetzlichen Haftung.
    5. Das KIT stellt Ihnen als Datennutzerin oder als Datennutzer für das Recherchieren in RADAR4KIT und für das Herunterladen von Datenpaketen keine Kosten in Rechnung.
    6. Sie müssen die mit dem Datenpaket verbundenen Lizenzregelungen einhalten.