Aug, 2018

使用选择性代理标签的 FusionNet 和 AugmentedFlowNet 用于未标记图像的训练

PDF
TL;DR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。
convolutional neural networksoptical flowtraining datasynthetic datasetkitti benchmarks
发现论文，激发创造
  • 引导式光流学习

    本文研究使用代理真实数据进行卷积神经网络的无监督学习，以估计光流。通过使用经典方法生成的代理真实数据来指导 CNN 学习，我们的指导式学习方法在三个标准基准数据集上表现优异，但完全无监督且可以在实时运行。

    Feb, 2017

  • 使用卷积网络学习光流

    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

  • 从静止图像中学习光流

    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

  • 用于训练卷积神经网络进行视差、光流和场景流估计的大型数据集

    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

  • 光流和下一帧预测的混合学习，提升野外场景的光流表现

    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

  • UnFlow: 双向 Census 损失的光流无监督学习

    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

  • 半监督学习在浓雾场景下的光流估计

    本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。

    Apr, 2020

  • 流场监控下的半监督光流学习

    提出了一种在没有 ground truth flows 的情况下实现 fine tuning 的实用方法，该方法基于 self-supervision 和使用 flow supervisor 实现了更稳定收敛和更好的准确性，在 Sintel 和 KITTI 基准上实现了有意义的改进。

    Jul, 2022

  • 超声弹性成像中光流卷积神经网络的半监督训练

    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

  • AutoFlow: 学习更好的训练集，用于光流预测

    AutoFlow 是一个简单而有效的方法，通过可学习超参数控制每一层的运动、形状和外观，优化模型在目标数据集上的表现，可以渲染用于光流训练的合成数据，并在 PWC-Net 和 RAFT 的预训练中达到最先进的精度。

    Apr, 2021