CSFlow：面向自动驾驶的基于跨条带相关的光流学习
计算机视觉与模式识别
2022-02-03 v1 机器人学
图像与视频处理
摘要
光流估计是自动驾驶系统的一项基本任务，有助于自动驾驶车辆感知周围场景的时间连续性信息。全配对相关（all-pair correlation）的计算在许多现有的最先进光流估计方法中起着重要作用。然而，对局部知识的依赖常常限制模型在复杂街道场景下的精度。本文提出一种用于自动驾驶光流估计的新深度网络架构——CSFlow，其包含两个新颖模块：跨条带相关模块（CSC）和相关回归初始化模块（CRI）。CSC利用对目标图像与关注图像的交叉条带操作，将全局上下文编码进相关体（correlation volumes），同时保持高效率。CRI用于最大程度利用全局上下文进行光流初始化。我们的方法在公开自动驾驶数据集KITTI-2015上取得了最先进（state-of-the-art）精度。代码已公开于 https://github.com/MasterHow/CSFlow。
引用
@article{arxiv.2202.00909,
title = {CSFlow: Learning Optical Flow via Cross Strip Correlation for Autonomous Driving},
author = {Hao Shi and Yifan Zhou and Kailun Yang and Xiaoting Yin and Kaiwei Wang},
journal= {arXiv preprint arXiv:2202.00909},
year = {2022}
}
备注
Code is publicly available at https://github.com/MasterHow/CSFlow