FusionNet 与 AugmentedFlowNet：用于无标签图像训练的选择性代理真值
计算机视觉与模式识别
2018-08-21 v1
摘要
近期工作表明，卷积神经网络（CNNs）可用于以高质量和快速运行时间估计光流。这使它们在现实应用中更受青睐。然而，此类网络需要非常大的训练数据集。构建训练数据困难且/或费力。本文展示了如何利用大量额外的无标签数据来增强在现有合成数据集上训练的网络。具体而言，我们引入一种选择机制，从多个估计中组装出一个联合光流场，其性能优于所有输入方法。后者可用作代理真值（proxy-ground-truth）以在真实世界数据上训练网络并使其适应感兴趣的特定领域。我们的实验结果表明，无论是在跨领域还是领域特定场景中，网络的性能都得到显著提升。因此，我们在 KITTI 基准上获得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.1808.06389,
title = {FusionNet and AugmentedFlowNet: Selective Proxy Ground Truth for Training on Unlabeled Images},
author = {Osama Makansi and Eddy Ilg and Thomas Brox},
journal= {arXiv preprint arXiv:1808.06389},
year = {2018}
}
备注
See video at: https://www.youtube.com/watch?v=HdMeb20Rybs