FlowDA：用于光流估计的无监督域自适应框架
计算机视觉与模式识别
2023-12-29 v1
摘要
由于标注成本高昂，收集真实世界的光流数据集是一项艰巨挑战。数据集的匮乏严重制约了光流模型在真实世界的性能。构建类似于真实场景的虚拟数据集为性能提升提供了一种潜在解决方案，但虚拟与真实数据集之间存在域差距。本文介绍了 FlowDA，一种用于光流估计的无监督域自适应 (UDA) 框架。FlowDA 采用基于均值教师 (mean-teacher) 的 UDA 架构，并融合了无监督光流估计中的概念与技术。此外，提出了一种基于课程学习的自适应课程加权 (ACW) 模块以增强训练效果。实验结果表明，我们的 FlowDA 优于最先进的无监督光流估计方法 SMURF（提升 21.6%）、真实光流数据集生成方法 MPI-Flow（提升 27.8%）以及光流估计自适应方法 FlowSupervisor（提升 30.9%），为提升真实场景下光流估计性能提供了新颖见解。代码将在本文发表后开源。
引用
@article{arxiv.2312.16995,
title = {FlowDA: Unsupervised Domain Adaptive Framework for Optical Flow Estimation},
author = {Miaojie Feng and Longliang Liu and Hao Jia and Gangwei Xu and Xin Yang},
journal= {arXiv preprint arXiv:2312.16995},
year = {2023}
}
备注
11 pages, 5 figures