Self-SuperFlow：立体序列中的自监督场景流预测
计算机视觉与模式识别
2022-07-01 v1
摘要
近年来，深度神经网络展现出在处理包括场景流预测在内的诸多计算机视觉任务上的卓越能力。然而，大多数进展依赖于大量密集逐像素真值标注的可用性，而此类标注在真实场景中极难获取。因此，常借助合成数据进行监督，导致训练与测试数据间存在表征鸿沟。尽管大量无标注真实世界数据可用，自监督场景流预测方法仍极为匮乏。为此，我们探索将基于Census变换与遮挡感知双向位移的自监督损失扩展至场景流预测问题。在KITTI场景流基准上，我们的方法优于同一网络的相应有监督预训练，并展现出更强的泛化能力，同时实现远更快的收敛。
引用
@article{arxiv.2206.15296,
title = {Self-SuperFlow: Self-supervised Scene Flow Prediction in Stereo Sequences},
author = {Katharina Bendig and René Schuster and Didier Stricker},
journal= {arXiv preprint arXiv:2206.15296},
year = {2022}
}
备注
Accepted at ICIP 2022