引导式光流学习
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
本文研究了卷积神经网络在无监督学习下学习光流预测的能力;提出了一种新的模型来显式模拟遮挡问题,并使用新颖的变换方式来更好地学习大运动;在 Flying Chairs,MPI-Sintel 和 KITTI 标准数据集上进行了测试,结果表明在 KITTI 数据集上无监督方法的效果优于有监督方法,尤其在该数据集上,我们的方法表现出色。
Nov, 2017
本研究介绍了如何使用合成数据集来增强预训练的卷积神经网络,从而提高其在实际领域中的性能,尤其在光流估计领域取得了最先进的成果。
Aug, 2018
本研究提出一种利用基于能量的方法进行光流估计的无监督学习方法以替代对真实场景难以获得的像素精确度地面实况数据的依赖,此方法在 KITTI 基准测试中的表现优于以往的无监督深度网络,甚至比仅在合成数据集上进行训练的类似监督方法更准确,在 KITTI 2012 和 2015 基准测试中具有竞争优势。
Nov, 2017
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
本研究提出了一种自监督学习的方法,通过利用非遮挡像素估计可靠的光流,用于学习虚假的遮挡。同时,通过设计一个简单的 CNN 来利用多帧的时间信息来获得更好的光流估计。该方法在 MPI Sintel、KITTI 2012 和 2015 等多个挑战基准测试中取得了最佳性能,并且该自监督预训练模型为监督微调提供了极好的初始化,其微调后的模型在三个数据集上均取得了最先进的结果。
Apr, 2019
本文提出的单目场景流(Scene Flow)估计方法基于一个卷积神经网络(CNN),通过充分考虑光流代价体积,成功估算出深度和三维运动。我们采用了自监督学习方法,利用三维损失函数和遮挡推理来提高估计精度。实验结果表明,该方法在单目场景流估计领域取得了最佳性能,同时在光流和单目深度估计子任务上也获得了很好的结果。
Apr, 2020
本文提出了一种使用变换提供的可靠监督信息的框架,通过使用数据增强技术来运行另一个向前传递的过程,并使用原始数据的转换后的预测结果作为自我监督信号,从而得到了多帧轻量级网络的最佳精度。
Mar, 2020
本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架,该框架利用单目深度估计网络构建可能的点云,通过虚拟相机运动合成新视角和对应的光流场,实现对现有数据的有效利用,并提高了视觉光流网络在真实场景中的泛化和特化性能。
Apr, 2021
本研究提出了一种无监督微调方法,利用大量未标记的数据集对 CNN 光流网络微调,在超声弹性成像中的应用,可以在降低计算机视觉数据库训练的网络生成的伪影的同时,显着提高网络性能。
Jul, 2020