論文の概要: OccInpFlow: Occlusion-Inpainting Optical Flow Estimation by Unsupervised
Learning
- arxiv url: http://arxiv.org/abs/2006.16637v1
- Date: Tue, 30 Jun 2020 10:01:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:47:06.956719
- Title: OccInpFlow: Occlusion-Inpainting Optical Flow Estimation by Unsupervised
Learning
- Title(参考訳): OccInpFlow: 教師なし学習による光学的フロー推定
- Authors: Kunming Luo, Chuan Wang, Nianjin Ye, Shuaicheng Liu, Jue Wang
- Abstract要約: 閉塞は、教師なしの光学フロー学習において必然的で重要な問題である。
OccInpFlowはOccclusion領域をフル活用するためのOccclusion-inpaintingフレームワークである。
本研究では,Flying Chairs,KITTI,MPI-Sintelなどの主要なフローベンチマークデータセットについて実験を行った。
- 参考スコア(独自算出の注目度): 29.802404790103665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Occlusion is an inevitable and critical problem in unsupervised optical flow
learning. Existing methods either treat occlusions equally as non-occluded
regions or simply remove them to avoid incorrectness. However, the occlusion
regions can provide effective information for optical flow learning. In this
paper, we present OccInpFlow, an occlusion-inpainting framework to make full
use of occlusion regions. Specifically, a new appearance-flow network is
proposed to inpaint occluded flows based on the image content. Moreover, a
boundary warp is proposed to deal with occlusions caused by displacement beyond
image border. We conduct experiments on multiple leading flow benchmark data
sets such as Flying Chairs, KITTI and MPI-Sintel, which demonstrate that the
performance is significantly improved by our proposed occlusion handling
framework.
- Abstract(参考訳): 閉塞は教師なし光フロー学習において必然的かつ批判的な問題である。
既存の方法は、閉塞を非閉塞領域として平等に扱うか、あるいは単に除去して不正を避けるかのいずれかである。
しかし,オクルージョン領域はオプティカルフロー学習に有効な情報を提供することができる。
本稿では,咬合領域を最大限に活用するためのオクシプフロー(occinpflow)を提案する。
具体的には, 画像内容に基づいて, 隠蔽流を塗布する新しい外観流網を提案する。
また,画像境界を超える変位による閉塞に対処するために境界ワープを提案する。
我々は,空飛ぶ椅子,kitti,mpi-sintelなどの複数のリードフローベンチマークデータセットについて実験を行い,提案するオクルージョンハンドリングフレームワークにより性能が大幅に向上することを示す。
関連論文リスト
- Rethink Predicting the Optical Flow with the Kinetics Perspective [1.7901503554839604]
光フロー推定は、低レベルコンピュータビジョンにおける基本的なタスクの1つである。
見かけ上は、連続したフレーム内の画素間の相関として光学フローを見ることができる。
本稿では,このモチベーションから明らかな情報と運動学情報を組み合わせる手法を提案する。
論文 参考訳(メタデータ) (2024-05-21T05:47:42Z) - CMU-Flownet: Exploring Point Cloud Scene Flow Estimation in Occluded Scenario [10.852258389804984]
閉塞はLiDARデータにおける点雲フレームのアライメントを妨げるが、シーンフローモデルでは不十分な課題である。
本稿では,CMU-Flownet(Relational Matrix Upsampling Flownet)を提案する。
CMU-Flownetは、隠されたFlyingthings3DとKITTYデータセットの領域内で、最先端のパフォーマンスを確立する。
論文 参考訳(メタデータ) (2024-04-16T13:47:21Z) - OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。
我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
論文 参考訳(メタデータ) (2024-03-26T20:23:48Z) - Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
汚れは視覚的により快適な写真を提供し、写真がより便利になる。
非均一な曖昧さを数学的にモデル化することは困難である。
我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳(メタデータ) (2023-01-18T06:37:21Z) - Locality-aware Channel-wise Dropout for Occluded Face Recognition [116.2355331029041]
顔認識は、特に顔が部分的に隠されている場合、制約のないシナリオでは難しいタスクである。
そこで本研究では,ニューロン群の活性化を,精巧に選択されたチャネルに落とすことによって,新しい,エレガントなオクルージョン・シミュレート法を提案する。
種々のベンチマーク実験により,提案手法は最先端の手法よりも優れた性能を示し,性能が向上した。
論文 参考訳(メタデータ) (2021-07-20T05:53:14Z) - NccFlow: Unsupervised Learning of Optical Flow With Non-occlusion from
Geometry [11.394559627312743]
本稿では,非閉塞の洞察と詳細な定義に基づく光学的流れの幾何学的法則を明らかにする。
非閉塞の幾何学的法則に基づく光学流の教師なし学習には2つの損失関数が提案される。
論文 参考訳(メタデータ) (2021-07-08T05:19:54Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳(メタデータ) (2021-04-06T10:32:03Z) - OAS-Net: Occlusion Aware Sampling Network for Accurate Optical Flow [4.42249337449125]
既存のディープネットワークは、ピラミッドの粗大なパラダイムを主に利用することで満足な結果を得た。
我々は,OAS-Netという軽量で効率的な光フローネットワークを提案し,正確な光フローを実現する。
SintelとKITTIデータセットの実験は、提案手法の有効性を実証している。
論文 参考訳(メタデータ) (2021-01-31T03:30:31Z) - What Matters in Unsupervised Optical Flow [51.45112526506455]
教師なし光流における鍵成分の集合を比較し解析する。
教師なしフローモデルに対する新しい改良点を多数構築する。
本稿では,従来の最先端技術よりもはるかに優れた非教師なしフロー技術を提案する。
論文 参考訳(メタデータ) (2020-06-08T19:36:26Z) - 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) - Unsupervised Learning of Depth, Optical Flow and Pose with Occlusion
from 3D Geometry [29.240108776329045]
本稿では,中間フレームの画素を剛性領域,非剛性領域,隠蔽領域の3つの部分にモデル化する。
奥行きとポーズの非教師による共同トレーニングでは、隠蔽領域を明示的に区分することができる。
閉鎖領域では、深度とカメラの動きがより信頼性の高い動き推定を提供するため、光学流の教師なし学習の指導に使用できる。
論文 参考訳(メタデータ) (2020-03-02T11:18:13Z)
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。