无监督光流中的代价函数展开
计算机视觉与模式识别
2024-05-28 v3 机器学习
摘要
深度学习中常用的梯度下降算法以梯度作为下降方向,或直接使用,或经预处理方向偏移后使用。在许多场景中,由于复杂或不可微的代价函数(尤其靠近奇异点处),计算梯度在数值上十分困难。本工作聚焦于无监督代价函数中常用的全变分半范数的推导。具体地,我们推导出一种对硬性 L1 平滑约束的可微代理,采用一种新颖迭代格式,我们称之为代价展开(Cost Unrolling)。我们的方法在训练期间产生更精确的梯度,使给定 DNN 模型通过改善收敛而获得更精细预测,且不修改其架构或增加计算复杂度。我们在无监督光流任务中演示了该方法。在知名基线的训练中,以我们展开代价替代 L1 平滑约束,我们在 MPI Sintel 与 KITTI 2015 无监督光流基准上均报告了改进结果。特别地,在平滑约束占主导的遮挡像素上,我们报告 EPE 降低达 15.82%,从而能检测更锐的运动边缘。
引用
@article{arxiv.2011.14814,
title = {Cost Function Unrolling in Unsupervised Optical Flow},
author = {Gal Lifshitz and Dan Raviv},
journal= {arXiv preprint arXiv:2011.14814},
year = {2024}
}