边界流：一个无需在运动上训练即可预测边界运动的孪生网络

本文利用深度学习，解决视频中联合目标边界检测与边界运动估计的问题，我们称之为边界流估计。边界流是一种重要的中层视觉线索，因为边界刻画了目标的空间范围，而流则指示了目标的运动与交互。然而，大多数先前关于运动估计的工作都集中于稠密目标运动或未必位于边界上的特征点。对于边界流估计，我们设计了一个新的全卷积孪生网络（FCSN），联合估计两个连续帧中的目标级边界。两帧中的边界对应关系由同一个 FCSN 通过一种新的、非传统的反卷积方法预测。最后，边界流估计通过基于边缘元的滤波得到改进。我们在三个任务上进行评估：视频中的边界检测、边界流估计和光流估计。在边界检测上，我们在基准数据集 VSB100 上达到了最先进的性能。在边界流估计上，我们给出了在 Sintel 训练数据集上的首个结果。对于光流估计，我们运行了近期方法 CPMFlow，但输入中增加了我们的边界流匹配，并在 Sintel 基准上取得了显著的性能提升。