FlowNet: Learning Optical Flow with Convolutional Networks
pdf与相关代码: https://lmb.informatik.uni-freiburg.de/resources/binaries/
光流(Optical Flow)介绍
1. 光流原理
光流分为稀疏光流和稠密光流，稀疏光流就是只计算图片中特定点的光流，而稠密光流则是每个像素都要计算光流。
简单地说就是在连续图片序列中，从第t帧到第t+1帧，每个像素的运动速度和运动方向。
比如第t帧的时候A点的位置是(x1, y1)，那么我们在第t+1帧的时候再找到A点，假如它的位置是(x2,y2)，即It(x1,y1)=It+1(x2,y2)=It+1(x1+ux,x1+uy)It(x1,y1)=It+1(x2,y2)=It+1(x1+ux,x1+uy)位置处的值就好，这个坐标极有可能是浮点数，双线性插值即可。
想通过光流推测某一帧图片，只要计算该帧到已知帧的光流即可通过warp得到
比如我们想通过光流增强特征，已知t-1，t-3的特征，想用它们增强当前帧t的特征，只需要计算t->t-1和t->t-3的光流，然后利用这两个光流就可以把t-1，t-3的特征warp到t了。更多应用可查看我另一篇博客利用光流提升视频识别的速度和精度
2. 光流可视化
光流场是图片中每个像素都有一个x方向和y方向的位移，所以在上面那些光流计算结束后得到的光流flow是个和原来图像大小相等的双通道图像。
不同颜色表示不同的运动方向，深浅表示运动的速度。
讲x和y转为极坐标，夹角(actan2(y,x))代表方向，极径(x和y的平方和开根号)代表位移大小，刚好用一下hsv的图像表示。上图的光流可以看到，红色的人在往右边动，那个蓝色的东西在往左上动
def viz_flow(flow):
# 色调H：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°
# 饱和度S：取值范围为0.0～1.0
# 亮度V：取值范围为0.0(黑色)～1.0(白色)
h, w = flow.shape[:2]
hsv = np.zeros((h, w, 3), np.uint8)
mag, ang = cv2.cartToPolar(flow[...,0], flow[...,1])
hsv[...,0] = ang*180/np.pi/2
hsv[...,1] = cv2.normalize(mag,None,0,255,cv2.NORM_MINMAX)
# flownet是将V赋值为255, 此函数遵循flownet，饱和度S代表像素位移的大小，亮度都为最大，便于观看
# 也有的光流可视化讲s赋值为255，亮度代表像素位移的大小，整个图片会很暗，很少这样用
hsv[...,2] = 255
bgr = cv2.cvtColor(hsv,cv2.COLOR_HSV2BGR)
return bgr
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
论文主要贡献
- 首次将CNN运用到光流预测上，设计了两种网络结构
- 提出了一个Flying chairs的数据集，并利用这个虚拟合成的数据集训练网络，得到的模型能很好的泛化到实际图片中，而且效果达到了state of art
网络结构
由于卷积神经网络中一层有一层pooling后特征图越来越小，而最终预测的光流是要和原图大小相同，所以还需要放大(unconv)，所以网络整体上分为两个部分，一个缩小还有一个放大
缩小(卷积)部分
FlowNetSimple
第一种缩小(卷积)方案是最朴素的方法的，就是将这一对图片的通道concat起来，网络结构图中可以看到输入的data层的channel是6.
FlowNetCorr
第二中方案是这一对图片分开处理，分别进入卷积网路，得到各自的特征图，然后再找到它们特征图之间的联系。
两个特征图分别为f1,f2: w * h * c, 然后corr层比较这两个特征图各个块。比如以x1为中心的一块和以x2为中心的一块，它们之间的联系用以下公式计算，块长为K:= 2k+1，大小为 K*K。
该公式和卷积的操作是一样的，以x1为中心的patch和以x2为中心的patch，对应位置相乘然后相加，这就是卷积核在图片上的操作啊，只是卷积网络里是和filter之间进行卷积，且它的weight是不需训练或不可训练。计算这两块之间的联系计算复杂度是 c * K * K，而f1上每个块都要与f2上所有块计算联系，f1上有w * h个块(每个像素点都可以做一个块的中心点)，f2上也有w * h个块，所有整个计算复杂度是c * K * K * ( w * h) * ( w * h)，这里是假设每个块在下一张图上时，可以移动任何位置。但是这样计算复杂度太高了，所以我们可以约束位移范围为d(上下左右移动d)，就是每个块只和它附近D: 2d+1的位置块计算联系，而且以x1为中心的块去和它附近D范围计算联系时，还可以加上步长，就是不必和D范围的每个点都进行计算，可以跳着。
我们先假设没有步长，这样每次和D范围内一个点计算联系就得到一个 w * h * 1的 特征图，然后和D内的所有点即D * D个点，得到 w * h * D^2个特征图
看图中有个441+32=473地方，论文实验就是这是位移最大值为d=10，所以D=21, 21*21=441，然后32个channel是1x1卷积后得到，这里的原因可能是用1x1减少了一下channel(256->32)，这里还有个不明白的地是为什么只把第t帧的32个channel附到441后面，而t+1帧则没有。还有就是这里的sqrt是什么没有看到解释，是直接对得到的441个channel的数值开根号吗。
放大部分
这里的放大和fcn十分类似，一边向后unconv，一边直接在小的特征图上预测，然后把结果双线性插值然后concat在unconv后的特征图上，然后接着往后传，重复四次后，得到的预测光流分辨率依然是输入的1/4，再重复之前的操作已没有太多提升，所以可以直接双线性插值得到和输入相同分辨率的光流预测图。
在最后的双线性插值放大上还有个可选方案就是variational approach参考:Large displacement optical flow: de-
scriptor matching in variational motion estimationFlowNetS和FlowNetC的对比
其中：EPE是一种对光流预测错误率的一种评估方式。
指所有像素点的gound truth和预测出来的光流之间差别距离（欧氏距离）的平均值，越低越好。论文上说FlowNetS能和FlowNetC媲美，甚至有些数据集要好于FlowNetC，但是在实际数据集上FlowNetC应该更好，因为FlowNetC在flyingchair和sintel clean数据集的表现要好于FlowNetS，注意到sintel clean是没有运动blur和fog特效等的，和flyingchair数据集比较类似，这意味着FlowNetC网络能更好的学习训练数据集，更加过拟合over-fitting
所以如果使用更好的训练数据集，FlowNetC网络会更有优势。
参考和引用了以下博客，特别感谢！
1167
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
