色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

在多個數據集的光流預測任務上大幅提升了預測性能

DPVg_AI_era ? 來源:lq ? 2019-07-07 07:56 ? 次閱讀

對光流的學習和跟蹤是計算機視覺領域的基本任務。在3D目標跟蹤、處理和重建等實際任務中,經常需要對被遮擋的光流進行預測。本文介紹在CVPR2019上發表的一篇論文,在多個數據集的光流預測任務上大幅提升了預測性能。

光流是計算機視覺的一個基本任務,它描述了視頻中的運動信息,相關技術廣泛應用于視頻理解和處理、物體跟蹤、三維重建、自動駕駛等場景。近日,來自香港中文大學和騰訊AI實驗室團隊的一篇論文入選了CVPR2019。

論文題為《一種自監督的光流學習方法》。論文團隊探索了使用卷積神經網絡估計光流的一個關鍵挑戰:預測被遮擋像素的光流。

論文地址:

https://arxiv.org/abs/1904.09117

論文第一作者劉鵬鵬詳細闡述了該論文的意義:“首先,我們提出了一種從沒有標注的數據中學習光流的自監督訓練框架。這個方法會人為創造一些遮擋,然后利用已經學習到的比較準確的沒有被遮擋像素的光流去指導神經網絡學習被遮擋像素的光流。其次,我們設計一個可以利用多幀圖像時序連續性的網絡結構來更好地學習光流。

基于這兩個原則,我們的方法在MPI Sintel, KITTI 2012和KITTI 2015等數據集上取得了最好的無監督學習效果。更重要的是,我們的無監督方法得到的模型為有監督的微調提供了一個很好的初始化,消除了訓練光流神經網絡對仿真數據的依賴。經過有監督微調,我們的模型在以上三個數據集上取得了目前最優的性能,這是光流研究歷史上第一次不使用額外仿真數據達到的最高準確度。

我們在寫這篇文章的時候(2018年11月),我們的模型在Sintel評測集上取得EPE=4.26,超過來自世界各地研究機構的所有180多種已經提交的方法。直到今天,我們的算法在Sintel榜單上還是第一。”

自監督光流學習框架SelFlow:刷新多項預測精度紀錄

表1:與基于最先進學習的光流估計方法的比較。我們的方法優于所有數據集上的所有無監督光流學習方法。我們的監督微調模型在Sintel Final數據集和KITTI 2012數據集上實現了最高精度。除KITTI 2012和KITTI 2015測試集的最后一列外,所有數字均為EPE,我們報告了所有像素(Fl-all)上的錯誤像素百分比。( - )表示未報告相應方法的結果。括號表示訓練和測試是在同一數據集上執行的。粗體字為無監督和監督方法中的最佳結果。

圖2 在每個級別的網絡架構(類似于PWC-Net)。˙wl表示水平l的初始粗流,F l表示翹曲的特征表示。在每個級別,將初始流量和成本量作為輸入交換,以便同時估計前向流量和后向流量。再將這些估計傳遞到l-1層上,估計更高分辨率的流。

圖3 多幀自訓練的數據流。為了估計三幀流學習的遮擋圖,我們使用五個圖像作為輸入。這樣,我們可以進行前后一致性檢查,以分別估計I t和I t + 1之間,I t和I t-1之間的遮擋圖。

圖4 在Sintel和KITTI數據集上對無監督結果進行抽樣。圖中由上至下依次為在Sintel Final,KITTI 2012和KITTI 2015數據集上的取樣。

圖5 在Sintel Clean培訓和Sintel Final測試數據集的不同設置下的定性比較。遮擋處理,多幀制定和自我監督不斷提高性能

實驗結果與分析:多項數據集預測性能顯著提升

如表1所示,我們在所有評估指標下的所有數據集上實現了無監督和監督光流學習的最新結果。圖4所示為Sintel和KITTI的樣本結果。

無監督學習

本文中的方法在基準測試中實現了無監督學習方法的最高精度。在Sintel Final基準測試中,將之前的最佳EPE從7.40 降低到6.57,相對提升幅度為11.2%。這甚至比包括FlowNetS,FlowNetC和SpyNet在內的幾種完全監督方法更優秀。在KITTI數據集上的改進更為明顯。

對于訓練數據集,我們實現了EPE = 1.69,KITTI 2012的相對改進幅度為28.1%,EPE = 4.84,與之前最佳無監督方法DDFlow相比,KITTI 2015的相對改進為15.3%。在KITTI 2012測試集中,實現了Fl-all = 7.68%,這比包括FlowNet2,PWC-Net,ProFlow和MFF在內的最先進的監督學習方法實現了更好的性能。在KITTI 2015基準測試中,實現了Fl-all=14.19%,優于所有無監督方法。其中一些無監督學習的結果也優于一些完全監督的方法,包括DCFlow和ProFlow等。

監督式微調

使用Ground-truth流程進一步對無監督學習模型進行微調后,模型在所有三個數據集上都獲得了最先進的結果,KITTI 2012上的Fl-all = 6.19%,KITTI 2015上的Fl-all = 8.42%。最重要的是,我們的方法在Sintel Final數據集上實現了EPE = 4.26 ,在所有提交的方法中實現Sintel了基準測試的最高精度。所有這些都表明,我們的方法減少了預訓練對合成數據集的依賴,不必再遵循不同數據集來專門制定訓練計劃。

結論與未來方向:有效降低對標記數據集的依賴

本文提出了一種自我監督的方法來學習準確的光流估計,此方法將噪聲注入到超級像素中以創建遮擋,讓一個模型引導另一個模型來學習遮擋像素的光流。我們通過簡單的CNN有效地聚合來自多個幀的時間信息,改進流量預測精度。大量實驗表明,我們的方法明顯優于所有現有的無監督光流學習方法。在使用我們的無監督模型進行微調后,模型在所有領先的基準測試中實現了最先進的流量估算精度結果。我們的研究可以完全降低預訓練過程對合成標記數據集的依賴,并通過對未標記數據進行自監督的預訓練,實現優異的預測性能。

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4771

    瀏覽量

    100741
  • 計算機視覺
    +關注

    關注

    8

    文章

    1698

    瀏覽量

    45986
  • 數據集
    +關注

    關注

    4

    文章

    1208

    瀏覽量

    24693

原文標題:港中大等打造光流預測新模型SelFlow,自監督學習攻克遮擋難題 | CVPR 2019

文章出處:【微信號:AI_era,微信公眾號:新智元】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    機器學習能診斷病情,還能預測患者出院后的情況?

    (特征)。預測模型 在數據清洗和特征選擇完成后,將任務目標定義為二分類問題:預測膿毒癥患者出院后90天內是否死亡。 選擇的算法為梯度提升樹(
    發表于 05-07 15:29

    TF之CNN:CNN實現mnist數據預測

    TF之CNN:CNN實現mnist數據預測 96%采用placeholder用法+2層C及其max_pool法+隱藏層dropout法+輸出層softmax法+目標函數cross_entropy法+
    發表于 12-19 17:02

    基于Keras中建立的簡單的二分類問題的神經網絡模型(根據200個數據樣本預測新的5+1個樣本)—類別預測

    Keras之ML~P:基于Keras中建立的簡單的二分類問題的神經網絡模型(根據200個數據樣本預測新的5+1個樣本)——類別預測
    發表于 12-24 11:45

    個數可視化埋點及行為預測的創新分析

    【技術學院】個數是如何用大數據做行為預測的?
    發表于 02-26 13:39

    伏功率預測系統的構成和作用

      伏功率預測是什么?伏功率預測系統就是將天氣預報數據和環境檢測儀所采集的數據加以分析,最后
    發表于 01-18 16:10

    藍牙5.0提升了哪些性能

    藍牙5.0提升了哪些性能
    發表于 05-18 06:25

    多片段時序數據建模預測實踐資料分享

    進行模型的構建與預測分析的,但是實際的工程使用中會有一種特殊的情況就是:我們通過實驗所采集到的數據往往不是絕對連續的而是多“片段”的。
    發表于 06-30 07:52

    伏功率預測有哪些作用

    伏功率預測有哪些作用?作用有哪些?伏功率預測是什么?伏功率預測系統就是將天氣預報
    發表于 07-07 07:44

    深度學習預測和健康管理中的應用

    深度學習預測和健康管理中的應用綜述摘要深度學習對預測和健康管理(PHM)引起了濃厚的興趣,因為它具有強大的表示能力,自動化的功能學習能力以及解決復雜問題的一
    發表于 07-12 06:46

    介紹有關時間序列預測和時間序列分類

    時間序列預測和時間序列分類任務真實數據的應用,你可以以此為模板,針對自己的業務需求進行二次
    發表于 07-12 09:18

    智能電網預測負荷波動的影響

    多方面內容,基于大數據技術能夠實現對抽象指標的量化操作,并明確其與負荷間所具備的關系,這樣的方式可以更好地預測到負荷變化趨勢,從而提升了預測精度。受分布式發電接入方式的影響,新能源也逐
    發表于 07-12 06:52

    什么是有限模型預測控制

    有限模型預測控制(finitecontrol set-model predictive control,FCS-MPC)作為一種具有運算量大的特點的控制算法,隨著數字信號處理器處理能力的提高也被
    發表于 08-27 06:05

    基于機器學習的車位狀態預測方法

    中每個車位在不同時間段停車狀態的歷史數據,形成停車狀態歷史數據并分別提取特征變量和目標變量;將所述特征變量
    發表于 09-21 07:24

    LabVIEW進行癌癥預測模型研究

    ,然后將得到的特征向量輸入到SVM中進行分類。 LabVIEW是一種視覺編程語言,與傳統的文本編程語言不同,更適合于進行復雜數據分析和預測模型的開發。 LabVIEW使用數據流模型,可以并行處理
    發表于 12-13 19:04

    采用HBEns的軌跡預測模型設計

    摘要:軌跡預測是自動駕駛系統中不可或缺的一環,對幫助理解車體周圍環境和其它人、車的意圖有著至關重要的作用。2022年Waymo自動駕駛數據挑戰賽
    的頭像 發表于 07-10 11:09 ?985次閱讀
    主站蜘蛛池模板: 国产在线观看www鲁啊鲁免费| 水蜜桃亚洲一二三四在线 | 国产午夜精品鲁丝片| 中文字幕网站在线观看| 兽皇VIDEO另类HD| 女人张腿让男人桶免费| 国产视频a在线观看v| YY6080A旧里番在线观看| 一区二区中文字幕在线观看 | 99视频在线观看免费| 亚洲视频在线观看| 四虎国产精品免费观看视频 | 一品道门免费高清视频| 视频成人永久免费下载| 免费人成在线观看网站视频| 黑丝美女被人操| 国产精品无码亚洲区艳妇| 白丝萝莉喷水| 97精品少妇偷拍蜜桃AV| 伊人久久大香线蕉综合亚洲| 性吧 校园春色| 上原结衣快播| 日本久久黄色| 欧美性喷潮xxxx| 蜜芽在线播放免费人成日韩视频| 精品国产乱码久久久久久乱码| 国产精品线路一线路二| 国产成人教育视频在线观看| xxxx老妇性hdbbbb| RUNAWAY韩国动漫免费网| 99精品视频免费在线观看| 曰本老头同性xxxxx| 一边吃奶一边添P好爽故事| 亚洲国产成人爱AV在线播放丿| 手机在线观看毛片| 四虎永久在线精品国产免费| 日韩亚洲人成在线| 三级网站视频在线观看| 色男人综合| 午夜福利理论片在线播放| 乌克兰少妇大胆大BBW|