論文の概要: ASFlow: Unsupervised Optical Flow Learning with Adaptive Pyramid Sampling

• arxiv url: http://arxiv.org/abs/2104.03560v1
• Date: Thu, 8 Apr 2021 07:22:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 13:06:55.076062
• Title: ASFlow: Unsupervised Optical Flow Learning with Adaptive Pyramid Sampling
• Title（参考訳）: ASFlow:適応ピラミッドサンプリングによる教師なし光フロー学習
• Authors: Kunming Luo, Ao Luo, Chuan Wang, Haoqiang Fan, Shuaicheng Liu
• Abstract要約: 深層ピラミッドネットワークにおける適応型ピラミッドサンプリングを提案することにより,教師なし光フロー推定手法を提案する。 MPI-SIntel, KITTI 2012, KITTI 2015 など,複数の主要なベンチマークにおいて, 教師なし光フロー推定の最適性能を実現する。
• 参考スコア（独自算出の注目度）: 26.868635622137106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an unsupervised optical flow estimation method by proposing an adaptive pyramid sampling in the deep pyramid network. Specifically, in the pyramid downsampling, we propose an Content Aware Pooling (CAP) module, which promotes local feature gathering by avoiding cross region pooling, so that the learned features become more representative. In the pyramid upsampling, we propose an Adaptive Flow Upsampling (AFU) module, where cross edge interpolation can be avoided, producing sharp motion boundaries. Equipped with these two modules, our method achieves the best performance for unsupervised optical flow estimation on multiple leading benchmarks, including MPI-SIntel, KITTI 2012 and KITTI 2015. Particuarlly, we achieve EPE=1.5 on KITTI 2012 and F1=9.67% KITTI 2015, which outperform the previous state-of-the-art methods by 16.7% and 13.1%, respectively.
• Abstract（参考訳）: 深層ピラミッドネットワークにおける適応型ピラミッドサンプリングを提案することにより,教師なし光フロー推定手法を提案する。 具体的には、ピラミッドダウンサンプリングにおいて、クロスリージョンプールを回避し、局所的な特徴収集を促進するContent Aware Pooling (CAP)モジュールを提案する。 ピラミッドアップサンプリングでは, クロスエッジ補間を回避し, 鋭い動き境界を生み出す適応フローアップサンプリング (AFU) モジュールを提案する。 MPI-SIntel, KITTI 2012, KITTI 2015 など,複数の主要なベンチマークにおいて, 教師なし光フロー推定の最適性能を実現する。 KITTI 2012 では EPE=1.5 と F1=9.67% KITTI 2015 がそれぞれ 16.7% と 13.1% を上回りました。

関連論文リスト

• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• SAMFlow: Eliminating Any Fragmentation in Optical Flow with Segment Anything Model [17.88914104216893]
  本研究では,凍結したSAMイメージエンコーダをFlowFormerに埋め込んでオブジェクト認識を強化する方法を提案する。 提案したSAMFlowモデルは,SintelおよびKITTI-15トレーニングセットで0.86/2.10クリーン/ファイナルEPEと3.55/12.32EPE/F1-allに達し,Flowformerの8.5%/9.9%,13.2%/16.3%を上回った。
  論文  参考訳（メタデータ） (2023-07-31T11:40:53Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Detail Preserving Residual Feature Pyramid Modules for Optical Flow [3.3301533805099357]
  RFPM(Residual Feature Pyramid Module)は、光学フロー推定の全体的な反復的精細化設計を変更することなく、特徴マップに重要な詳細を保持できる。 その結果, RFPMはフローエラーを視覚的に低減し, Sintel のクリーンパスにおける最先端性能を向上することがわかった。
  論文  参考訳（メタデータ） (2021-07-23T01:53:04Z)
• Normalized Convolution Upsampling for Refined Optical Flow Estimation [23.652615797842085]
  正常化された畳み込みのUPsampler (NCUP)は光学流れCNNsの訓練の間にフル レゾリューションの流れを作り出す有効な共同アップサンプリングのアプローチです。 提案手法では,アップサンプリングタスクをスパース問題として定式化し,正規化畳み込みニューラルネットワークを用いて解く。 6%のエラー低減とKITTIデータセットのオンパーで、Sintelベンチマークの最新の結果を達成し、パラメータを7.5%削減します。
  論文  参考訳（メタデータ） (2021-02-13T18:34:03Z)
• UPFlow: Upsampling Pyramid for Unsupervised Optical Flow Learning [34.580309867067946]
  光フロー推定のための教師なし学習手法を提案する。 我々は,ピラミッド間の双線形アップサンプリングによるぼやけた問題に対処するために,自己誘導型アップサンプルモジュールを設計する。 本研究では, 微粒な流動を擬似ラベルとして蒸留することにより, 中間層を監督するピラミッド蒸留損失を提案する。
  論文  参考訳（メタデータ） (2020-12-01T01:57:46Z)
• Learning Affinity-Aware Upsampling for Deep Image Matting [83.02806488958399]
  アップサンプリングにおける学習親和性は、ディープ・ネットワークにおけるペアワイズ・インタラクションを効果的かつ効率的に利用するためのアプローチであることを示す。 特に、コンポジション1kマッチングデータセットの結果は、A2Uが強いベースラインに対してSAD測定値の14%の相対的な改善を達成していることを示している。 最先端のマッティングネットワークと比較すると、モデル複雑度は40%に過ぎず、8%高いパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-11-29T05:09:43Z)
• ScopeFlow: Dynamic Scene Scoping for Optical Flow [94.42139459221784]
  我々は,光流の一般的なトレーニングプロトコルを変更することを提案する。 この改善は、挑戦的なデータをサンプリングする際のバイアスを観察することに基づいている。 トレーニングプロトコルでは,正規化と拡張の双方が減少することが判明した。
  論文  参考訳（メタデータ） (2020-02-25T09:58:49Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。