Jul, 2020

超声弹性成像中光流卷积神经网络的半监督训练

PDF
TL;DR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。
convolutional neural networksultrasound elastographyunsupervised fine-tuningoptical flow networkartifact reduction
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

  • 无监督卷积神经网络用于运动估计

    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。

    Jan, 2016

  • 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

  • 具备遮挡感知的光流无监督学习

    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

  • 基于物理模型的无监督正则化超声弹性成像约束

    本研究提出了一种基于物理启发的无监督正则化弹性成像方法，通过对材料泊松比的约束，改善了横向位移估计的质量。实验结果表明，该方法可以显著提高弹性成像中横向位移的估计质量。

    Jun, 2022

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

    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

  • 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

  • 基于 EM 算法的非监督学习在高效运动分割中的应用

    本文提出了一种基于卷积神经网络 (CNN) 的完全无监督的运动分割方法，借鉴了期望最大化算法 (EM) 框架用于设计不需要地面真值或手动标注的运动分割神经网络的损失函数和训练过程，能够通过单一推断步骤为任何看不见的光流场提供分割，并能有效地处理多个运动。

    Jan, 2022

  • EV-FlowNet: 自监督事件型相机光流估计

    本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet，用于事件驱动相机。该方法不仅可以准确地估计密集光流，还为其他自监督方法到事件驱动领域提供了转移框架。

    Feb, 2018