结合卷积和轴注意力的光流估计网络

摘要: 现有的光流估计网络为了获得更高的精度，往往使用相关性成本量和门控循环单元(gate recurrent unit，GRU)来进行迭代优化，但是这样会导致计算量大并限制了在边缘设备上的部署性能。为了实现更轻量的光流估计方法，本文提出局部约束与局部扩张模块(local constraint and local dilation module，LC-LD module)，通过结合卷积和一次轴注意力来替代自注意力，以较低的计算量对每个匹配特征点周边区域内不同重要程度的关注，生成更准确的相关性成本量，进而降低迭代次数，达到更轻量化的目的。其次，提出了混洗凸优化上采样，通过将分组卷积、混洗操作与凸优化上采样相结合，在实现其参数数量降低的同时进一步提高精度。实验结果证明了该方法在保证高精度的同时，运行效率显著提升，具有较高的应用前景。

• 关键词: 
• 光流估计  /  
• 迭代次数  /  
• 卷积神经网络  /  
• 轴注意力机制  /  
• 门控循环单元网络  /  
• 深度学习  /  
• 时间优化  /  
• 边缘计算平台  

光流估计是计算机视觉领域中的一项基本任务，被广泛应用于诸多领域，如自动驾驶[1