FocusFlow: 提升自动驾驶关键点光流估计的方法
通过利用在线遮挡识别信息构建扩展可视特征和两个强约束条件,该研究实现了光流预测中对被遮挡点的精确定位,取得了当前领先方法的显著误差减小,对所有点、未被遮挡的点和被遮挡的点分别比 GMA-base 方法 (MATCHFlow (GMA)) 分别减小了 18.6%、16.2% 和 20.1%,在 Sintel clean pass 上位列所有已发布方法之首,代码将会开源。
Mar, 2024
OptFlow 是一种快速优化型场景流估计方法,不依赖学习或任何标注数据,可在流行的自动驾驶基准测试中实现场景流估计的最先进性能,同时提供最快的推理时间。
Jan, 2024
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
本文通过将高斯注意力引入光流模型,以强调表示学习过程中的局部特性并在匹配过程中强制实施运动相关性,提出了一种全新的高斯约束层(GCL)和高斯引导注意模块(GGAM)。GAFlow 网络是一个完整的模型,将这些高斯基于模块自然地融入传统的光流框架中,用于可靠的运动分析。在标准光流数据集上进行的广泛实验一致证明了所提方法在泛化能力评估和在线基准测试方面的优异性能。
Sep, 2023
通过改进训练流程中的采样偏差、优化正则化和数据增强参数,并应用于一个参数较低的体系结构中,使其在 MPI Sintel 和 KITTI 基准测试中的表现均优于同类算法。
Feb, 2020
本研究提出了一种自监督学习的方法,通过利用非遮挡像素估计可靠的光流,用于学习虚假的遮挡。同时,通过设计一个简单的 CNN 来利用多帧的时间信息来获得更好的光流估计。该方法在 MPI Sintel、KITTI 2012 和 2015 等多个挑战基准测试中取得了最佳性能,并且该自监督预训练模型为监督微调提供了极好的初始化,其微调后的模型在三个数据集上均取得了最先进的结果。
Apr, 2019
介绍了一种新方法 ——SCOOP,它可以在不使用 ground-truth 流监督的情况下,通过学习点特征表征来进行场景流估计,并使用一种自我监督目标的流细化组件直接优化流,从而实现点云之间的连贯和准确的流场,在分数的训练数据的前提下提高了现有领先技术的性能。
Nov, 2022
本文提出了一个基于 C3D 神经网络的双流框架,引入了 3D 中心差分卷积操作,能够在小数据集上从零开始训练模型并取得良好的结果,同时在 ECCV 2020 VIPriors 竞赛中获得第二名(88.31%)。
Aug, 2020
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