【视频目标检测】|FlowNet: Learning Optical Flow with Convolutional Networks

本文提出了一种能够将光流估计问题作为监督学习任务的CNNs。我们提出并比较两个架构：一个通用架构和另一个架构，包括一个在不同的图像位置关联特征向量的层。由于现有的地ground truth数据集不够大，不足以训练CNN，所以我们生成了一个大型的合成Flying Chairs dataset。我们发现，在这种不现实的数据上训练的网络，仍然可以很好地推广到现有的数据集，比如Sintel和KITTI，在5到10 fps的帧率上达到了有竞争的精度。

翻译：https://blog.csdn.net/weixin_42164269/article/details/80613782

FLOWNET2.0
https://www.cnblogs.com/jiujing23333/p/9386695.html
FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks

训练数据集的调度对于模型的性能有较大的影响。光流的数据集都比较小，一般需要几个数据集一起train，故如何使用这些数据集是至关重要的。

使用中间光流warp图片，并以此作为一个监督信号辅助训练。
用一个子网络处理小位移。