論文の概要: SKFlow: Learning Optical Flow with Super Kernels

• arxiv url: http://arxiv.org/abs/2205.14623v1
• Date: Sun, 29 May 2022 10:36:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 14:20:24.395101
• Title: SKFlow: Learning Optical Flow with Super Kernels
• Title（参考訳）: SKFlow:スーパーカーネルによる光フローの学習
• Authors: Shangkun Sun, Yuanqi Chen, Yu Zhu, Guodong Guo, Ge Li
• Abstract要約: Super Kernel Flow Network (SKFlow) は、オクルージョンが光学的フロー推定に与える影響を改善するためのCNNアーキテクチャである。 スーパーカーネルは、不整合情報を補完し、閉塞された動きを回復するために、拡大された受容野をもたらす。 我々は円錐形接続とハイブリッド深度ワイド畳み込みを利用した効率的なスーパーカーネル設計を提案する。
• 参考スコア（独自算出の注目度）: 40.88050099433641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical flow estimation is a classical yet challenging task in computer vision. One of the essential factors in accurately predicting optical flow is to alleviate occlusions between frames. However, it is still a thorny problem for current top-performing optical flow estimation methods due to insufficient local evidence to model occluded areas. In this paper, we propose Super Kernel Flow Network (SKFlow), a CNN architecture to ameliorate the impacts of occlusions on optical flow estimation. SKFlow benefits from the super kernels which bring enlarged receptive fields to complement the absent matching information and recover the occluded motions. We present efficient super kernel designs by utilizing conical connections and hybrid depth-wise convolutions. Extensive experiments demonstrate the effectiveness of SKFlow on multiple benchmarks, especially in the occluded areas. Without pre-trained backbones on ImageNet and with modest increase in computation, SKFlow achieves compelling performance and ranks $\textbf{1st}$ among current published methods on Sintel benchmark. On the challenging Sintel final pass test set, SKFlow attains the average end-point error of $2.23$, which surpasses the best published result $2.47$ by $9.72\%$.
• Abstract（参考訳）: 光フロー推定はコンピュータビジョンにおいて古典的だが難しい課題である。 光の流れを正確に予測する上で重要な要素の1つは、フレーム間の閉塞を軽減することである。 しかし, 隠蔽領域をモデル化するための局所的な証拠が不十分なため, 現時点の光学的フロー推定法では依然として問題となっている。 本稿では,光学的フロー推定におけるオクルージョンの影響を改善するためのCNNアーキテクチャであるSuper Kernel Flow Network (SKFlow)を提案する。 SKFlowは、拡張された受容野をもたらすスーパーカーネルの利点を生かし、欠落したマッチング情報を補完し、隠蔽された動きを回復する。 円錐接続とハイブリッド深度畳み込みを利用した効率的なスーパーカーネル設計を提案する。 広範な実験により、複数のベンチマーク、特にオクルード領域におけるskflowの有効性が実証された。 imagenetで事前トレーニングされたバックボーンや計算量の増加がなければ、skflowは説得力のあるパフォーマンスを実現し、現在sintelベンチマークで公開されているメソッドのうち、$\textbf{1st}$をランク付けする。 難易度の高いシンテルの最終パステストセットでは、SKFlowの平均終点誤差は2.23ドルに達し、これは最高の結果である2.47ドルを9.72セントで上回る。

関連論文リスト

• NeuFlow v2: High-Efficiency Optical Flow Estimation on Edge Devices [6.157420789049589]
  計算要求の低減と高い精度のバランスをとる高効率光フロー法を提案する。 より軽量なバックボーンや高速リファインメントモジュールなど,新たなコンポーネントを導入しています。 我々のモデルでは,合成データと実世界のデータの両方で同等の性能を維持しながら,10倍-70倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-08-19T17:13:34Z)
• Rethinking Optical Flow from Geometric Matching Consistent Perspective [38.014569953980754]
  本稿では,従来の光流量推定法について再考する。 我々は,より優れた特徴表現を持つ光フロー推定(MatchFlow)のための事前学習タスクとして,GIMを使用している。 Sintel クリーンパスと KITTI テストセットの GMA から 11.5% と 10.1% の誤差削減を実現した。
  論文  参考訳（メタデータ） (2023-03-15T06:00:38Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• 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)
• SCFlow: Optical Flow Estimation for Spiking Camera [50.770803466875364]
  スパイキングカメラは、特に高速シーンのモーション推定において、現実の応用において大きな可能性を秘めている。 光フロー推定は画像ベースおよびイベントベースの視覚において顕著な成功を収めているが、既存の手法はスパイクカメラからのスパイクストリームに直接適用することはできない。 本稿では、スパイキングカメラのための光フロー推定のための新しいディープラーニングパイプラインSCFlowについて述べる。
  論文  参考訳（メタデータ） (2021-10-08T06:16:45Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• 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)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)

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。