深度学习时代的 Optical Flow Estimation
计算机视觉与模式识别
2020-04-07 v1 机器学习
摘要
与计算机视觉的许多子领域类似，深度学习近期的进展也显著影响了关于 optical flow 的文献。此前，文献由经典基于能量的模型主导，其将 optical flow estimation 表述为能量最小化问题。然而，随着卷积神经网络（CNNs）相对于传统方法在众多计算机视觉及更广领域的实际优势变得明显，它们也在运动估计中被越来越多地采用，以至于当前精度上的最优水平由 CNN 方法确立。我们首先回顾了这一转变以及从早期工作到当前 CNN 用于 optical flow estimation 的发展。同时，我们讨论了一些技术细节并比较它们，以重述哪些技术贡献带来了最显著的精度提升。随后我们概述了深度学习时代引入的各种 optical flow 方法，包括那些基于替代学习范式（例如无监督与半监督方法）的，以及向多帧情形的扩展，其能够带来进一步的精度提升。
引用
@article{arxiv.2004.02853,
title = {Optical Flow Estimation in the Deep Learning Age},
author = {Junhwa Hur and Stefan Roth},
journal= {arXiv preprint arXiv:2004.02853},
year = {2020}
}
备注
To appear as a book chapter in Modelling Human Motion, N. Noceti, A. Sciutti and F. Rea, Eds., Springer, 2020