DDCNet-Multires:由有效感受野引导的用于稠密预测的多分辨率CNN
计算机视觉与模式识别
2023-11-02 v1 机器学习
摘要
当场景中存在异质运动动力学、遮挡与场景均匀性引起的大位移时,稠密光流估计具有挑战性。应对这些挑战的传统方法包括分层与多分辨率处理方法。基于学习的光流方法在存在大范围流速与异质运动时,通常采用带图像扭曲的多分辨率方法。此类由粗到细方法的精度受多分辨率图像扭曲所产生的重影伪影,以及具有较高运动对比度的小场景范围中的消失问题的影响。此前,我们设计了以网络有效感受野(ERF)特性为导向构建紧凑稠密预测网络的策略(DDCNet)。DDCNet设计刻意简单紧凑,使其可用作设计更复杂却仍紧凑的网络的基本构件。本工作中,我们通过级联具有递减ERF范围的基于DDCNet的子网,将DDCNet策略扩展以处理异质运动动力学。我们的具多分辨率能力的DDCNet(DDCNet-Multires)紧凑且无任何专用网络层。我们使用标准光流基准数据集评估DDCNet-Multires网络的性能。实验表明,DDCNet-Multires优于DDCNet-B0与-B1,并提供精度可与类似轻量基于学习的方法相比拟的光流估计。
引用
@article{arxiv.2107.05634,
title = {DDCNet-Multires: Effective Receptive Field Guided Multiresolution CNN for Dense Prediction},
author = {Ali Salehi and Madhusudhanan Balasubramanian},
journal= {arXiv preprint arXiv:2107.05634},
year = {2023}
}
备注
27 pages, 10 figures, 2 tables. arXiv admin note: text overlap with arXiv:2107.04715