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
本文提出了一种基于深度学习的快速且精确的光流预测方法:FastFlowNet,其参数较少,适用于低功耗设备,且在合成和真实数据集上的实验证明了其有效性。
Mar, 2021
本论文提出了使用卷积网络对视差和场景流进行光流估计的方法,并成功构建了三个合成的立体视频数据集,通过对现有网络进行联合培训,实现了首个卷积网络进行场景流估计。
Dec, 2015
本文利用卷积神经网络预测未来的运动并使用万几组视频来训练模型,不需要任何人工标记标签并提供在各种情况下的未来光学流预测。
May, 2015
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。
本研究针对两幅图像之间密集像素对应估计的挑战进行探讨,提出了一种基于粗到细的 CNN 框架,能够扩展光流方法的优势,解决大范围变换并提供密集和亚像素准确估计的问题,并在相对摄像机姿态估计问题上表现优异。
Oct, 2018
本文提出了一种基于端到端学习的光流估计方法,该方法通过数据给特定学习任务提供重要信息,并且采用了堆叠式架构及对小运动专门优化的子网络,使得计算速度得到了提升,同时精度与业界领先的方法相当;相比于原始的 FlowNet,FlowNet 2.0 计算速度基本不降反升,估计误差降低了超过 50%。
Dec, 2016
本文提出了一种基于深度学习和光流的人体姿势估计算法,通过引入时间序列信息和光流辅助,该算法在多个姿态估计数据集上实现了超越当前最先进方法的性能。
Jun, 2015
该研究提出 Dense Convolutional Network (DenseNet) 模型,使用每一层之前的所有特征图作为输入,解决了梯度消失的问题,促进了特征重用,并在目标识别领域的四个竞争性基准上显着提高了性能效率。
Jan, 2020