Jan, 2022

基于 EM 算法的非监督学习在高效运动分割中的应用

PDF
TL;DR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。
motion segmentationoptical flowcnnem frameworkneural network
发现论文，激发创造
  • 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

  • 一次性进行的无监督运动分割：对视频进行平滑长期建模

    提出了一种基于长期时空模型的运动分割方法，该方法通过处理光流场序列，以无监督学习的方式提供视频中一致运动的分段，为计算机视觉任务和无监督视频表示学习提供了先决条件。

    Oct, 2023

  • 利用深度学习的光流生成移动物体候选框进行视频物体分割

    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

  • 光流、深度和自运动的无监督事件学习

    提出了一种基于事件相机的无监督学习框架，通过事件流中的运动信息来学习运动，该框架包含用于事件的输入表示、用于预测运动的神经网络、用于运动补偿的方法以及用于测量运动模糊的损失函数，并使用该框架训练了两个网络，一个用于预测光流，另一个用于预测自运动和深度。最后，使用 Multi Vehicle Stereo Event Camera 数据集进行了定量和定性结果的评估。

    Dec, 2018

  • EV-MGRFlowNet: 基于运动导向的循环网络的非监督事件驱动光流估计与混合运动补偿损失

    本文提出了一种基于事件相机的无监督光流估计算法 EV-MGRFlowNet，该方法使用带有运动引导的循环网络和混合运动补偿损失，充分利用先前的隐藏状态和运动流，并强化几何约束以更准确地对齐事件，实验结果表明，相对于 MVSEC 数据集上的当前最先进技术，AEE 平均误差可以达到约 22.71％的平均降低，是目前无监督学习方法中排名第一的。

    May, 2023

  • 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

  • 跟踪、检查、重复：一种基于 EM 算法的无监督跟踪方法

    该研究提出了一种用于在没有标签的 RGB-D 视频中检测和跟踪移动物体的无监督方法，该方法通过手工制作的技术来估计光流和摄像机运动，构建移动对象的类别集合并提高检测性能。

    Apr, 2021

  • 通过运动分组的自监督视频目标分割

    本研究介绍了一种基于运动线索的分割方法，使用 Transformer 网络结构，采用自我监督的方法进行训练，结果在公共基准测试中表现优异，证明在现有视频分割模型中，对于运动线索的重要性，以及对视觉外观存在潜在偏差的可能性。

    Apr, 2021

  • 竞争性合作：深度、相机运动、光流和运动分割的联合无监督学习

    本篇论文提出了一种基于 Competitive Collaboration 框架的无监督学习方法，通过协同训练多个神经网络来解决低级视觉问题，包括单个视图深度预测、相机运动估计、光流和视频分割，可以同时推理场景的运动物体、物体深度和背景的光流等信息。该方法在不需要监督的情况下，实现了在所有子问题上的最先进表现。

    May, 2018

  • 基于光流和伪深度图的密集单目运动分割：一种零样本方法

    我们提出了一种创新的混合方法，既利用深度学习方法又利用基于光流的传统方法来进行密集运动分割，而无需进行任何训练。

    Jun, 2024