論文の概要: Optical Flow in Dense Foggy Scenes using Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2004.01905v1
- Date: Sat, 4 Apr 2020 10:44:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 23:20:17.725390
- Title: Optical Flow in Dense Foggy Scenes using Semi-Supervised Learning
- Title（参考訳）: 半教師付き学習による濃霧場面の光流れ
- Authors: Wending Yan, Aashish Sharma, Robby T. Tan
- Abstract要約: トレーニングプロセスにおいて,光学的流れを伴わない実霧画像を用いた半教師付き深層学習手法を提案する。
本稿では,教師なしデータトレーニングと教師なしデータトレーニングを組み合わせた新しいトレーニング戦略を提案する。
実験結果から,高密度霧場における光学的流れの推定において,本手法は有効であり,最先端の手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 37.25344909016075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In dense foggy scenes, existing optical flow methods are erroneous. This is
due to the degradation caused by dense fog particles that break the optical
flow basic assumptions such as brightness and gradient constancy. To address
the problem, we introduce a semi-supervised deep learning technique that
employs real fog images without optical flow ground-truths in the training
process. Our network integrates the domain transformation and optical flow
networks in one framework. Initially, given a pair of synthetic fog images, its
corresponding clean images and optical flow ground-truths, in one training
batch we train our network in a supervised manner. Subsequently, given a pair
of real fog images and a pair of clean images that are not corresponding to
each other (unpaired), in the next training batch, we train our network in an
unsupervised manner. We then alternate the training of synthetic and real data
iteratively. We use real data without ground-truths, since to have
ground-truths in such conditions is intractable, and also to avoid the
overfitting problem of synthetic data training, where the knowledge learned on
synthetic data cannot be generalized to real data testing. Together with the
network architecture design, we propose a new training strategy that combines
supervised synthetic-data training and unsupervised real-data training.
Experimental results show that our method is effective and outperforms the
state-of-the-art methods in estimating optical flow in dense foggy scenes.
- Abstract（参考訳）: 濃霧のシーンでは、既存の光流法が誤っている。
これは、明るさや勾配定数などの光学的流れの基本仮定を破る濃い霧粒子によって引き起こされる劣化によるものである。
そこで本研究では,実際の霧画像を用いた半教師付き深層学習手法を提案する。
我々のネットワークはドメイン変換と光フローネットワークを一つのフレームワークに統合する。
最初は、一対の合成フォグイメージ、それに対応するクリーンなイメージ、および光学フローの接地構造が与えられ、あるトレーニングバッチで、ネットワークを教師ありの方法でトレーニングします。
その後、実際の霧画像と、互いに対応していない一対のクリーン画像(未ペア化)が与えられた後、次のトレーニングバッチで、ネットワークを教師なしでトレーニングする。
次に、合成データと実データのトレーニングを反復的に交互に行う。
実際のデータでは,そのような条件下では基盤となるものが難解であり,また,合成データで学習された知識が実際のデータテストに一般化できないような合成データトレーニングの過剰な問題を回避するためである。
ネットワークアーキテクチャ設計と合わせて,教師付き合成データトレーニングと教師なし実データトレーニングを組み合わせた新たなトレーニング戦略を提案する。
実験の結果, この手法は, 密集した霧の場面における光学的流れの推定において, 最先端の手法よりも効果的であることがわかった。
関連論文リスト
- From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real
Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。
まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。
そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文 参考訳（メタデータ） (2021-08-06T04:00:28Z) - Learning optical flow from still images [53.295332513139925]
我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。
既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。
我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
論文 参考訳（メタデータ） (2021-04-08T17:59:58Z) - Optical Flow Dataset Synthesis from Unpaired Images [36.158607790844705]
本稿では,光の流れを教師付きで訓練するために使用できる擬似実画像の訓練セットを構築する新しい手法を提案する。
我々のデータセットは実データから2つの未ペアフレームを使用し、ランダムなワープをシミュレートしてフレームのペアを生成する。
そこで我々は,真理を正確に把握しながら,実データを直接訓練する利点を得る。
論文 参考訳（メタデータ） (2021-04-02T22:19:47Z) - Semi-Supervised Image Deraining using Gaussian Processes [18.434430658837258]
合成データセットを用いて学習のネットワークをデライン化できる半教師付き学習フレームワークを提案する。
提案手法は,ラベル付き学習に比べ,ラベル付き学習に比べて性能が著しく向上することを示す。
論文 参考訳（メタデータ） (2020-09-25T17:16:16Z) - Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。
実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。
本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-10T00:33:18Z) - Learning to See Through Obstructions [117.77024641706451]
本稿では,移動カメラで撮影した短い画像列から不要な障害物を除去するための学習に基づくアプローチを提案する。
本手法は背景要素と障害物要素の運動差を利用して両方の層を復元する。
合成データ転送のトレーニングは実画像に対して良好であることを示す。
論文 参考訳（メタデータ） (2020-04-02T17:59:12Z) - Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。
画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。
私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
論文 参考訳（メタデータ） (2020-03-27T21:45:41Z) - Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional
Neural Networks [30.410981386006394]
ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。
本稿では,自己教師型ベイズ解法を提案する。
提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
論文 参考訳（メタデータ） (2020-01-15T12:21:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。