使用半监督学习的密集雾景中的光流
计算机视觉与模式识别
2020-04-07 v1
摘要
在密集雾景中，现有的光流方法存在错误。这是由于密集雾粒造成的退化破坏了光流的基本假设，如亮度和梯度恒常性。为了解决这个问题，我们引入了一种半监督深度学习技术，该技术在训练过程中使用真实雾图像而没有光流真值。我们的网络将域变换和光流网络集成在一个框架中。最初，给定一对合成雾图像及其对应的清晰图像和光流真值，在一个训练批次中我们以监督方式训练网络。随后，给定一对真实雾图像和一对不对应的清晰图像（未配对），在下一个训练批次中我们以无监督方式训练网络。然后我们交替迭代训练合成数据和真实数据。我们使用没有真值的真实数据，因为在这样的条件下获得真值是困难的，并且为了避免合成数据训练的过拟合问题，其中在合成数据上学到的知识无法泛化到真实数据测试。结合网络架构设计，我们提出了一种新的训练策略，将监督的合成数据训练和无监督的真实数据训练相结合。实验结果表明，我们的方法在估计密集雾景中的光流方面是有效的，并且优于最先进的方法。
引用
@article{arxiv.2004.01905,
title = {Optical Flow in Dense Foggy Scenes using Semi-Supervised Learning},
author = {Wending Yan and Aashish Sharma and Robby T. Tan},
journal= {arXiv preprint arXiv:2004.01905},
year = {2020}
}