用于密集光流的 DenseNet
计算机视觉与模式识别
2017-07-21 v1 多媒体
摘要
在过去十年中，估计光流的经典方法取得了快速进展。然而，它们中的大多数速度太慢，无法应用于实时视频分析。由于深度学习的巨大成功，近期的工作集中于使用 CNN 来解决此类密集预测问题。在本文中，我们研究了一种新的深度架构，即密集连接卷积网络（DenseNet），以学习光流。这种特定的架构非常适合当前的问题，因为它在整个网络中提供了快捷连接，从而实现了隐式深度监督。我们将当前的 DenseNet 扩展为全卷积网络，以无监督的方式学习运动估计。在三个标准基准上的评估结果表明，与其他广泛采用的 CNN 架构相比，DenseNet 更适合用于光流估计。
引用
@article{arxiv.1707.06316,
title = {DenseNet for Dense Flow},
author = {Yi Zhu and Shawn Newsam},
journal= {arXiv preprint arXiv:1707.06316},
year = {2017}
}
备注
Accepted at ICIP 2017