基于光流的无约束场景实时移动物体检测
该论文研究了在摄像机运动过程中检测移动物体的一种新方法,提出了一种基于光流的变换,可以生成一个不变的二维图像输出,无论时间瞬间、3D 点的范围以及摄像机的速度如何变化。这种方法通过在新域中将 3D 点的投影与预定义的查找图像的值进行比较,能够清晰地识别相对于静止的 3D 环境而言与之不同的投影,从而使移动物体能够无缝地被检测到。该方法不需要运动方向或摄像机速度的先验知识,也不需要 3D 点范围信息,非常适用于实时并行处理,非常实用。通过模拟和实验验证了新域的有效性,在涉及直线摄像机运动的情况下,无论是在模拟中还是在实际数据中,都体现出了其鲁棒性。这种方法为在六自由度摄像机运动过程中检测移动物体引入了新的途径,并为未来在该领域中的研究奠定了基础。
Oct, 2023
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
本文提出了一种基于时空动态模型的无监督光流估计方法,使用视图合成的自我监督学习来提供可靠的运动先验信息,利用邻帧的运动先验来改善光流估计中遮挡区域的监督,采用自我监督知识蒸馏来让模型理解物体在连续动态环境中的运动模式,实验证明该方法在无监督光流估计中取得了最先进的性能并具有记忆开销优势。
Apr, 2023
本文提出一种基于像素几何和物体运动模型的运动预测方法,通过将图像分为运动一致的区域并利用深度构建最佳匹配的流场基础来减少从单个图像重建流场的不确定性,并在场景结构和物体运动建模方面取得了最新的结果,同时对预测深度图的评估显示出可靠的单眼深度估计性能。
Jul, 2023
研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM,同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。
Mar, 2020
利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题,通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型,实验证明了该方法的可行性和效果。
Jun, 2024