論文の概要: FlowDA: Unsupervised Domain Adaptive Framework for Optical Flow Estimation

• arxiv url: http://arxiv.org/abs/2312.16995v1
• Date: Thu, 28 Dec 2023 12:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 16:08:34.255439
• Title: FlowDA: Unsupervised Domain Adaptive Framework for Optical Flow Estimation
• Title（参考訳）: FlowDA:光フロー推定のための教師なしドメイン適応フレームワーク
• Authors: Miaojie Feng, Longliang Liu, Hao Jia, Gangwei Xu, Xin Yang
• Abstract要約: 本稿では、光学的フロー推定のための教師なし領域適応(UDA)フレームワークであるFlowDAを紹介する。 FlowDAは、最先端の教師なし光フロー推定法SMURFを21.6%、実光フローデータセット生成法MPI-Flowを27.8%、光フロー推定適応法FlowSupervisorを30.9%上回る。
• 参考スコア（独自算出の注目度）: 6.122542233250026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collecting real-world optical flow datasets is a formidable challenge due to the high cost of labeling. A shortage of datasets significantly constrains the real-world performance of optical flow models. Building virtual datasets that resemble real scenarios offers a potential solution for performance enhancement, yet a domain gap separates virtual and real datasets. This paper introduces FlowDA, an unsupervised domain adaptive (UDA) framework for optical flow estimation. FlowDA employs a UDA architecture based on mean-teacher and integrates concepts and techniques in unsupervised optical flow estimation. Furthermore, an Adaptive Curriculum Weighting (ACW) module based on curriculum learning is proposed to enhance the training effectiveness. Experimental outcomes demonstrate that our FlowDA outperforms state-of-the-art unsupervised optical flow estimation method SMURF by 21.6%, real optical flow dataset generation method MPI-Flow by 27.8%, and optical flow estimation adaptive method FlowSupervisor by 30.9%, offering novel insights for enhancing the performance of optical flow estimation in real-world scenarios. The code will be open-sourced after the publication of this paper.
• Abstract（参考訳）: 現実世界のオプティカルフローデータセットの収集は、ラベリングのコストが高いため、非常に難しい課題である。 データセットの不足は、光学フローモデルの実際の性能を著しく制限する。 実際のシナリオに似た仮想データセットの構築は、パフォーマンス向上のための潜在的なソリューションを提供するが、ドメインギャップは仮想データセットと実際のデータセットを分離する。 本稿では,光フロー推定のためのunsupervised domain adaptive (uda)フレームワークであるflowdaを提案する。 FlowDAは平均教師に基づくUDAアーキテクチャを採用し、教師なし光フロー推定に概念と技術を統合する。 さらに、カリキュラム学習に基づく適応的カリキュラム重み付け(ACW)モジュールを提案し、トレーニングの有効性を高める。 実験結果から,本手法は未監視光フロー推定法smurfを21.6%,実光フローデータセット生成法mpi-flowを27.8%,光フロー推定適応型フロースーパーバイザを30.9%上回っており,実世界シナリオにおける光フロー推定の性能向上のための新たな知見を提供する。 コードは、この記事の公開後にオープンソース化される。

関連論文リスト

• Robust Optical Flow Computation: A Higher-Order Differential Approach [0.0]
  本研究は,2次テイラー級数近似の高精度化を利用して,光フロー計算のための革新的なアルゴリズムを提案する。 KITTIやMiddleburyのような光学フローベンチマークのパフォーマンスによって、アルゴリズムの機能を示す印象的な例が現れる。
  論文  参考訳（メタデータ） (2024-10-12T15:20:11Z)
• Attenuation-Aware Weighted Optical Flow with Medium Transmission Map for Learning-based Visual Odometry in Underwater terrain [0.03749861135832072]
  本稿では,水中環境における学習型単眼視計測(VO)の課題に対処する。 自律型水中車両(AUV)におけるVOシステムの精度を高める新しいwflow-TartanVOの導入 実世界の異なる水中データセットの評価は,ベースラインVO法におけるwflow-TartanVOの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:00:15Z)
• SciFlow: Empowering Lightweight Optical Flow Models with Self-Cleaning Iterations [44.92134227376008]
  本稿では,SCI(Self-Cleaning Iteration)とRFL(Regression Focal Loss)の2つの相乗的手法を紹介する。 SCIとRFLは、反復洗練された光学流モデルにおいて、特に誤差伝播の緩和に有効である。 今回提案したSCIおよびRFL技術の有効性は,2つの異なる光フローモデルアーキテクチャで実証された。
  論文  参考訳（メタデータ） (2024-04-11T21:41:55Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)
• The Surprising Effectiveness of Diffusion Models for Optical Flow and Monocular Depth Estimation [42.48819460873482]
  拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。 また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
  論文  参考訳（メタデータ） (2023-06-02T21:26:20Z)
• Semi-Supervised Learning of Optical Flow by Flow Supervisor [16.406213579356795]
  そこで本研究では,事前学習したモデルに対して,地中真実の流れを伴わずに,目標データセットに適応するファインチューニング手法を提案する。 この設計は、従来の自己超越法よりも安定した収束と精度の向上を目的としている。 我々は,Sintel および KITTI ベンチマークにおける最先端光学フローモデルに対する有意義な改善を実現する。
  論文  参考訳（メタデータ） (2022-07-21T06:11:52Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• 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)
• Sensor-Guided Optical Flow [53.295332513139925]
  本稿では、未知の領域や未知の領域において、より優れた精度を実現するために、外部キューを用いた光フローネットワークを誘導するフレームワークを提案する。 能動センサからの深度測定と幾何および手作り光学フローアルゴリズムを組み合わせることで,これらがどのように得られるかを示す。
  論文  参考訳（メタデータ） (2021-09-30T17:59:57Z)

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。