論文の概要: SEA-RAFT: Simple, Efficient, Accurate RAFT for Optical Flow

• arxiv url: http://arxiv.org/abs/2405.14793v1
• Date: Thu, 23 May 2024 17:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 13:46:53.685622
• Title: SEA-RAFT: Simple, Efficient, Accurate RAFT for Optical Flow
• Title（参考訳）: SEA-RAFT:光学流用簡易高精度RAFT
• Authors: Yihan Wang, Lahav Lipson, Jia Deng,
• Abstract要約: よりシンプルで効率的で正確な光流用RAFTであるSEA-RAFTを紹介する。 SEA-RAFTは、3.69のエンドポイントエラー(EPE)と0.36の1ピクセルアウトレイラレート(1px)でSpringベンチマークの最先端の精度を達成する SEA-RAFTは高い効率で既存の手法よりも少なくとも2.3倍速く動作し、競争性能を維持している。
• 参考スコア（独自算出の注目度）: 29.823972546363716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce SEA-RAFT, a more simple, efficient, and accurate RAFT for optical flow. Compared with RAFT, SEA-RAFT is trained with a new loss (mixture of Laplace). It directly regresses an initial flow for faster convergence in iterative refinements and introduces rigid-motion pre-training to improve generalization. SEA-RAFT achieves state-of-the-art accuracy on the Spring benchmark with a 3.69 endpoint-error (EPE) and a 0.36 1-pixel outlier rate (1px), representing 22.9% and 17.8% error reduction from best published results. In addition, SEA-RAFT obtains the best cross-dataset generalization on KITTI and Spring. With its high efficiency, SEA-RAFT operates at least 2.3x faster than existing methods while maintaining competitive performance. The code is publicly available at https://github.com/princeton-vl/SEA-RAFT.
• Abstract（参考訳）: よりシンプルで効率的で正確な光流用RAFTであるSEA-RAFTを紹介する。 RAFTと比較すると、SEA-RAFTは新たな損失(Laplaceの混合)で訓練される。 反復的洗練の高速化のために初期流れを直接回帰し、一般化を改善するために剛体運動前訓練を導入する。 SEA-RAFTは、3.69のエンドポイントエラー(EPE)と0.361ピクセルのアウトリーチレート(1px)でSpringベンチマークの最先端の精度を達成し、ベストパブリッシュされた結果から22.9%と17.8%のエラー削減を達成した。 さらに、SEA-RAFTは、KITTIとSpring上で最高のクロスデータセットの一般化を得る。 SEA-RAFTは高い効率で既存の手法よりも少なくとも2.3倍速く動作し、競争性能を維持している。 コードはhttps://github.com/princeton-vl/SEA-RAFTで公開されている。

関連論文リスト

• UniPTS: A Unified Framework for Proficient Post-Training Sparsity [67.16547529992928]
  Post-Traiing Sparsity (PTS)は、必要な限られたデータで効率的なネットワークスパシティを追求する、新たに登場した道である。 本稿では,従来のスパシティの性能をPSSの文脈に大きく変化させる3つの基本因子を変換することで,この相違を解消しようとする。 我々のフレームワークはUniPTSと呼ばれ、広範囲のベンチマークで既存のPTSメソッドよりも優れていることが検証されている。
  論文  参考訳（メタデータ） (2024-05-29T06:53:18Z)
• Efficient LoFTR: Semi-Dense Local Feature Matching with Sparse-Like Speed [42.861344584752]
  従来は検出不要であったLoFTRは、大きな視点の変化とテクスチャ・ポーアのシナリオを扱う際、顕著な整合性を示した。 設計上の選択を再検討し、効率と精度の両面で複数の改善を導出する。 提案手法は,競争力のあるセミセンス・マーカと比較して高い精度を実現することができる。
  論文  参考訳（メタデータ） (2024-03-07T18:58:40Z)
• Rethinking RAFT for Efficient Optical Flow [9.115508086522887]
  本稿ではRAFTフレームワークに基づく新しいアプローチを提案する。 グローバルな特徴抽出と繰り返しパターンへの対処のためのアテンションメカニズムが組み込まれている。 提案手法は,効率的なRAFT(Ef-RAFT)であり,Sintelデータセットで10%,RAFT上でのKITTIデータセットで5%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-01-01T18:23:39Z)
• DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow [7.73554718719193]
  本稿では,高分解能光フロー推定のための新しいPatchmatchベースのフレームワークを提案する。 伝播とPatchmatchの局所探索の恩恵を受け、低メモリで高精度な結果が得られる。 提案手法は,KITTI2015ベンチマークのすべての指標で第1位,Sintelクリーンベンチマークでは第2位である。
  論文  参考訳（メタデータ） (2022-04-01T10:13:59Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• 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)
• Faster Non-Convex Federated Learning via Global and Local Momentum [57.52663209739171]
  textttFedGLOMOは最初の(一階)FLtexttFedGLOMOアルゴリズムです。 クライアントとサーバ間の通信においても,我々のアルゴリズムは確実に最適である。
  論文  参考訳（メタデータ） (2020-12-07T21:05:31Z)
• RAFT: Recurrent All-Pairs Field Transforms for Optical Flow [78.92562539905951]
  光フローのための新しいディープネットワークアーキテクチャであるRAFT(Recurrent All-Pairs Field Transforms)を導入する。 RAFTは画素あたりの特徴を抽出し、すべての画素に対してマルチスケールの4D相関ボリュームを構築し、フローフィールドを反復的に更新する。 RAFTは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-26T17:12:42Z)

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。