读论文
文章平均质量分 95
zhangyu_zyyl
态度决定一切
展开
-
RAFT:用于光流的循环全对场变换
RAFT: Recurrent All Pairs Field Transforms for Optical FlowECCV 2020Zachary Teed and Jia Deng我们介绍了循环全对场变换 (RAFT),这是一种用于光流的新型深度网络架构。 RAFT 提取每个像素的特征,为所有像素对构建多尺度 4D 相关体积,并通过对相关体积执行查找的循环单元迭代更新流场。 RAFT 实现了最先进的性能。翻译 2022-01-14 11:34:22 · 1354 阅读 · 0 评论 -
LiteFlowNet3:解决对应歧义以获得更准确的光流估计
LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow EstimationTak-Wai Hui, Chen Change Loy我们介绍了 LiteFlowNet3,一个由两个专门模块组成的深度网络,以解决上述挑战。 (1) <u>我们通过在流解码之前通过自适应调制修改每个成本向量来改善成本量中的异常值问题。</u> (2) 我们通过探索局部流的一致性来进一步提高流的准确性。翻译 2022-01-14 11:28:59 · 841 阅读 · 0 评论 -
LiteFlowNet:用于光流估计的轻量级卷积神经网络
LiteFlowNet: A Lightweight Convolutional Neural Network for Optical Flow Estimation Tak-Wai Hui, Xiaoou Tang, and Chen Change Loy CUHK-SenseTime Joint Lab, The Chinese University of Hong Kong IEEE Conference on Computer Vision and Pattern Recognition (CVP翻译 2022-01-14 11:04:56 · 4184 阅读 · 0 评论 -
FlowNet 2.0:深度网络光流估计的演进
FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks Eddy Ilg, Nikolaus Mayer, Tonmoy Saikia, Margret Keuper, Alexey Dosovitskiy, Thomas Brox IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017翻译 2022-01-14 10:36:20 · 2082 阅读 · 0 评论 -
FlowNet:使用卷积网络学习光流
FlowNet: Learning Optical Flow with Convolutional Networks Alexey Dosovitskiy, Philipp Fischer, Eddy Ilg, P. Häusser, C. Hazırbaş, V. Golkov, P. Smagt, D. Cremers, Thomas Brox IEEE International Conference on Computer Vision (ICCV), 2015翻译 2022-01-13 21:56:15 · 831 阅读 · 0 评论 -
UnFlow:具有双向普查损失的光流的无监督学习
UnFlow: Unsupervised Learning of Optical Flow with a Bidirectional Census Loss Simon Meister, Junhwa Hur, Stefan Roth Department of Computer Science TU Darmstadt, Germany翻译 2022-01-13 20:50:42 · 1234 阅读 · 1 评论 -
用于光流估计的无监督深度学习DSTFlow
用于光流估计的无监督深度学习DSTFlow文章目录用于光流估计的无监督深度学习DSTFlow摘要1、简介2、相关工作2.1光流2.2从视频中学习2.3通过解开(disentangle)姿势和身份来学习网络和训练过程定位网络采样网络损失层多尺度损失累积训练实验和讨论数据集和同期方法MPI-SintelKITTIFlying Chairs训练和评估协议结果与讨论DSTFlow(Chairs)DSTFlow(KITTI) 和 DSTFlow(C+K)DSTFLOW(Sintel) 和 DSTFlow(C+S)无翻译 2022-01-13 20:00:51 · 2174 阅读 · 0 评论 -
回归基础:通过亮度恒定性和运动平滑度对光流进行无监督学习
Back to Basics: Unsupervised Learning of Optical Flow via Brightness Constancy and Motion Smoothness最近,卷积网络 (convnets) 已被证明可用于预测光流。 这种成功在很大程度上取决于大型数据集的可用性,这些数据集需要昂贵且复杂的数据采集和费力的标记。 为了绕过这些挑战,我们提出了一种无监督的方法(即,不利用地面实况流)来训练端到端的卷积网络来预测两个图像之间的光流。 **我们使用了一个损失函数,它结翻译 2022-01-13 16:40:40 · 449 阅读 · 0 评论 -
【读论文】使用基于 CNN 的非局部滤波对光流进行无监督学习
Unsupervised Learning of Optical Flow With CNN-Based Non-Local Filtering翻译翻译 2021-12-14 11:47:56 · 638 阅读 · 0 评论 -
【读论文】使用金字塔卷积 LSTM 进行光流估计的无监督学习
使用金字塔卷积 LSTM 进行光流估计的无监督学习论文原文请看这里摘要 当前大多数基于卷积神经网络 (CNN) 的光流估计方法都侧重于在具有真实值的合成数据集上学习光流,这是不切实际的。 在本文中,我们提出了一种名为 PCLNet 的无监督光流估计框架。 它使用具有相邻帧重建约束的 pyramid Convolution LSTM (ConvLSTM),可以灵活地估计来自任何视频剪辑的多帧光流。 此外,通过将运动特征学习和光流表示解耦,我们的方法避免了现有框架中使用的复杂快捷连接,同时提高了光流估翻译 2021-12-14 11:30:08 · 1389 阅读 · 0 评论 -
【读论文】基于改进特征金字塔的无监督光流估计
优秀的公开论文翻译Unsupervised Optical Flow Estimation Based on Improved Feature Pyramid翻译 2021-12-14 10:50:45 · 1257 阅读 · 0 评论