从静态图像密集光流预测
本文提出了一种基于卷积神经网络(CNN)的无监督在线学习方法,用于为每帧单独估计运动模型,通过前后向的运动关系实现运动信息的推导,并能够解决非刚性运动估计的主要限制,与没有运动预测的基线相比,在 KITTI 2012、KITTI 2015 和 MPI Sintel 三项基准测试中表现出了长达 27%的一致性改进。
Jun, 2018
本文提出了一种卷积神经网络用于从视频中提取密集的光流,旨在为深度架构构建潜在的模块,以允许在视频中使用运动而无需借助外部算法,通过考虑信号处理原则构建网络结构,强制 “旋转不变性”,并提供一种分布式表示运动的方法。
Jan, 2016
通过一个 encoder-decoder CNN 和 optical flow 方法,我们的研究为静态图像动作识别提供了一个新方法,即学习一个短期动态先验,在新的静态图像上推断预期的光流,成功地将学习的动作转移至标准的两流网络中,并且在七个数据集上表现出了良好的性能。
Dec, 2017
本文提出卷积神经网络模型,将光流估计问题作为监督式学习任务,通过生成合成数据集进行训练,成功实现在计算机视觉领域特别是识别任务中广泛应用的卷积神经网络模型在光流估计任务上的成功率。
Apr, 2015
我们提出了一种多任务学习模型 ActionFlowNet,将外部光流数据输入到卷积神经网络中,同时训练网络以从原始像素中直接识别动作和估计光流,从而捕捉单个模型中的外观和运动信息,提高动作识别准确率。
Dec, 2016
采用动态光流来监督静态图像的表示,通过学习嵌入像素以达到其光流向量之间的相似性,我们设计了一种无需手工标注的学习卷积神经图像表示的新方法,这个新方法优于以往的运用动态光流学习卷积神经网络的方法,并在语义分割等领域首屈一指。
Jul, 2018
本文提出了一种基于深度学习的直接运动估计方法,在缺乏大规模数据集的情况下,采用无监督学习的方式训练网络,使用光流约束作为优化代价函数,通过反向传播算法进行误差传递以优化网络,实验证明该方法在合成图像与实际图像序列中的表现都接近于当今最先进的方法。
Jan, 2016
本研究使用自监督学习辅助提高 CNN-based 光流估计在实际情境中的性能,在合成和真实场景下混合训练神经网络并采用样本多变量多任务结构,以预测 next-flow 代替当前光流估计,并取得了较好的性能,实验结果表明总体改善了在实际 KITTl 基准测试中的光流估计。
Dec, 2016
本研究提出了一种先进的神经网络结构,通过训练无监督的卷积神经网络对光流进行估计,然后将光流网络的输出渲染到完全卷积 SegNet 模型中,从而准确高效地获取运动目标提案。
Feb, 2024
本研究利用深度学习中的 DenseNet 架构,纵向连接对求解密集光流估计问题具有隐式深度监督的特点,扩展当前 DenseNet 到全卷积网络,通过无监督学习的方式实现了运动估计。实验结果在三个标准基准测试中证明,相较于其他广泛采用的 CNN 架构,DenseNet 更适合进行光流估计。
Jul, 2017