回归基础：基于亮度恒定与运动平滑性的无监督光流学习
计算机视觉与模式识别
2016-08-23 v1
摘要
近年来，卷积网络（convnets）已被证明可用于预测光流。这一成功很大程度上依赖于大型数据集的可用性，而这些数据集需要昂贵且复杂的数据采集以及费力的标注。为绕过这些挑战，我们提出一种无监督方法（即不利用真实光流）来端到端地训练卷积网络以预测两幅图像之间的光流。我们使用的损失函数结合了度量时间上光度恒定性的数据项与建模光流在图像上预期变化的空间项。这些损失共同构成了基于真实光流损失的代理度量。实验表明，使用所提出的无监督方法训练的强卷积网络基线，在 KITTI 数据集上优于使用监督训练的同一网络。
引用
@article{arxiv.1608.05842,
title = {Back to Basics: Unsupervised Learning of Optical Flow via Brightness Constancy and Motion Smoothness},
author = {Jason J. Yu and Adam W. Harley and Konstantinos G. Derpanis},
journal= {arXiv preprint arXiv:1608.05842},
year = {2016}
}