传感器引导的光流
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
本文提出了一种新的方法,从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流,用作图像不可靠的情况下,如恶劣天气或夜间,替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流,并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流,我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集,并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性,并表明尽管使用低分辨率和稀疏的 lidar 测量,我们可以回归与基于图像的方法相当的密集光流图。
Aug, 2018
本文介绍了一种特定用于人物运动的光流算法,通过构建图像序列的数据库并使用卷积神经网络的方法进行人物运动光流估计,得到了比其他方式更为准确的结果,这一方法可应用于人物运动分析等领域。
Jun, 2018
本论文提出了一种融合了陀螺仪数据和图像内容进行光流学习的基于深度学习的框架,并设计了自我引导融合模块来引导网络集中在运动细节上。实验证明,该方法在正常和困难情况下均优于现有方法。
Mar, 2021
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
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
研究提出了一种结合时间透镜的新型神经网络架构,利用事件视觉和脉冲神经网络技术,以及基于活动和延迟分析的模型简化方法,提高了光流预测的速度并减少了复杂度,同时保持了高精度特性,为实时部署提供了可能性。
Apr, 2023
本文旨在研究一种基于端到端的监督学习方法,用于提高光流估计领域中的准确性和实时性,并首次比较了多种策略和技术来准确估计局部不确定性,同时介绍了一种新的使用 Winner-Takes-All loss 的网络架构,显示它可以有效地提供互补的假设和不确定性估计,并且质量明显高于以往的光流置信度测量。
Feb, 2018
本论文提出了一种基于深度学习的自监督光流方法,通过精确测量标记物的位移来实现基于视觉触觉传感器的高精度测量,以支持机器手指更灵巧的操作。
Sep, 2023
本文介绍了一种新的 3D 场景流估计架构 OGSF-Net,它能够更准确地预测空间流,并在 Flyingthings3D 和 KITTI 等关键数据集中达到最先进的结果,是首个在点云上估计 3D 场景流的架构。
Nov, 2020