学习人类视觉流
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
介绍了一种新的光流数据集,用于解决人群行为分析领域中光流性能测试数据不足的问题,并提供了实验结果表明现有的光流算法不能有效地适应这种人群的运动及复杂性,该数据集在实际应用中表现出较高的性能。
Nov, 2018
本研究针对 UCF101 数据集,以光流算法数据作为神经网络的输入,研究了不同光流算法和输入变换条件对人体动作识别的影响,通过精细调整光流算法,对比分析得出一些重要结论,特别是对 EPE 作为一个目标的颠覆,证明了更好的训练方法提高了人体动作识别的性能。
Dec, 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
介绍了一种基于深度学习的用于估计高速场景下 spiking 相机的光流的流水线,并引入了一种新的输入表示方法以自适应地去除 spike 流中的运动模糊。通过在名为 SPIFT 和 PHM 的场景中合成的光流数据进行训练,该方法显示出对不同高速场景下的 spiking 数据能够有效地预测结果。
Oct, 2021
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