笔记：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and

最新推荐文章于 2025-02-26 15:24:05 发布
原创 最新推荐文章于 2025-02-26 15:24:05 发布 · 2.4k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

CVPR2019论文介绍了一种名为CompetitiveCollaboration的方法，通过四个子网络联合训练实现深度估计、相机位姿估计、光流估计及运动分割。这种方法在多个任务上取得了优异的表现。
基本信息

题目：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and Motion Segmentation
发表信息：CVPR 2019
作者：Anurag Ranjan， Varun Jampani，Michael J. Black
学校/研究机构： max planck institute for intelligent systems，NVIDIA， MIT
关键字：Unsupervised, Single View Deptsynthetich, Camera Motion, Optical Flow, Motion Segmentation
文章/代码地址：https://github.com/anuragranj/cc

简介

CVPR2019的文章，Competitive Collaboration：利用四个子网络完成4个子任务，网络训练模式类似于EM算法，固定某几个训练其他，再固定其他训练某几个。进行单张图片的深度估计，相机的运动估计，光流估计（包括对场景中的背景、运动物体的光流），图像中静态区域和动态区域的分割。

论文中表明的结果显示其比有监督的方法的估计误差更小，且在位姿估计中，在Kitti 09和10上的估计误差小于带回环检测的ORB_SLAM2。

  • 深度估计

在这里插入图片描述

  • 位姿估计
最低0.47元/天 解锁文章
文献阅读笔记（1）2018 CVPR - Competitive Collaboration
Neil の Workshop
03-27 561
文章标题： Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and Motion Segmentation 文章作者： Anurag Ranjan1 Varun Jampani2 Kihwan Kim2 Deqing Sun2 Jonas Wulff1 M...
论文笔记：Unsupervised Learning of Depth and Ego-Motion from Video（无监督深度预测系列4：PoseCNN方法）
upup
06-25 2083
一、基本信息 标题：Unsupervised Learning of Depth and Ego-Motion from Video 时间：2017 论文领域：深度预测、深度学习 引用格式：Zhou T, Brown M, Snavely N, et al. Unsupervised learning of depth and ego-motion from video[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern
[2018 CVPR] Competitive Collaboration
03-27
使用一个对抗神经网络结构（Generative Adversarial Networks），从未标注的自动驾驶（Automotive）单目视频输入中，估计单目深度（Single View Depth）、相机运动（Camera Motion）和光流（Optical Flow），并对静态环境（Static Scene）和动态目标（Moving Regions）进行分割（Segmentation）。本文认为以上四个任务是相互关联的，各个任务之间可以相互支援提升最终性能。
《Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion ...》论文笔记
Glooow的博客
04-12 1378
论文题目：Competitive Collaboration: Joint Unsupervised Learning of Depth, Camera Motion, Optical Flow and Motion Segmentation 论文地址：https://arxiv.org/abs/1805.09806 项目地址：https://research.nvidia.com/public...
Competitive Collaboration:Joint Learning of Depth, Motion, Optical Flow and Motion Segmentation
sky的博客
04-10 761
代码：https://github.com/anuragranj/cc 摘要 在low-level视觉中使用无监督学习解决一下问题：单目深度估计、相机运动估计、光流、并将视频分割为静态场景和移动区域。并使用几何约束来解决这几个问题。并引入Competitive Collaboration解决网络之间的协调问题，其工作原理与expectation-maximization相似，既可...
论文阅读 | AdaCoF: Adaptive Collaboration of Flows for Video Frame Interpolation
bettii的博客
12-23 701
CVPR2020一篇基于核的视频插帧文章
VisEvent: Reliable Object Tracking via Collaboration of Frame and Event Flows论文笔记
m0_51897038的博客
10-12 1428
因为不是做跟踪的，大致读了下这篇文章，主要是看了是如何将事件相机和rgb相机数据做多模态融合的，为之后的工作找点灵感 一.论文贡献 1：提出了一个包含820个可见事件视频的大规模神经形态跟踪数据集。这是第一个从真实世界收集的用于单目标跟踪的大规模可视事件基准数据集。 2.提出了一种简单而有效的基线跟踪器，通过开发一个跨模态转换模块，可以充分利用不同模态的独特信息进行鲁棒跟踪。这是首次验证跨模态变换在可视事件跟踪问题中的成功应用。 3.我们构建了多个基于双模态的跟踪器（超过35个），以便在未来的工
【论文笔记】ClipSAM: CLIP and SAM collaboration for zero-shot anomaly segmentation
最新发布
ZHW-鲜橙大AI课题组的博客
02-26 2576
摘要近年来，CLIP 和 SAM 等基础模型在零样本异常分割 (ZSAS) 任务中展现出良好的性能。然而，无论是基于 CLIP 还是基于 SAM 的 ZSAS 方法，仍然存在不可忽视的关键缺陷：1) CLIP 主要关注不同输入之间的全局特征对齐，导致对局部异常部分的分割精度不高；2) SAM 倾向于在没有适当提示约束的情况下生成大量冗余掩码，导致复杂的后期处理需求。在这项工作中，我们创新性地提出了一种名为 ClipSAM 的 CLIP 和 SAM 协作框架，用于 ZSAS。
Bubbles: Video and Screenshot Collaboration-crx插件
03-28
语言:English 捕获视频和屏幕截图，发表评论并与队友共享以在上下文中进行协作。 使用Bubbles，您可以像在同一个房间一样从屏幕上进行有效协作。 Bubbles使屏幕共享更上一层楼，结合了基于视频，音频和消息的协作，...
【SLAM系列】Unsupervised Learning of Depth and Ego-Motion from Video
weixin_43882112的博客
09-18 2571
文章目录1 概要2. Motivation3. 思想4. 算法5. 实验结果6. 总结与思考 1 概要 题目：Unsupervised Learning of Depth and Ego-Motion from Video 论文：https://people.eecs.berkeley.edu/~tinghuiz/projects/SfMLearner/cvpr17_sfm_final.pdf 代码： 2. Motivation 3. 思想 4. 算法 5. 实验结果 6. 总结与思考 参
论文笔记：Unsupervised Learning of Depth and Ego-Motion from Video
weixin_46776144的博客
03-07 3736
无监督学习的视频图像深度和运动估计 参考文章：https://blog.youkuaiyun.com/weixin_42113967/article/details/115732187 摘要：作者提出了一种无监督学习框架，提出了一个单目相机的序列图像进行深度估计与运动估计。使用端到端学习方法，将视图合成作为监督信号。方法使用单视图深度网络和多视图位姿网络，利用计算的深度和位姿，将附近的视图warp到目标，从而产生损失。 方法：depth network和posenetwork共同训练的架构模式e 核心： .
Unsupervised Learning of Depth and Ego-Motion from Video论文见解
qq_37748370的博客
02-12 870
Unsupervised Learning of Depth and Ego-Motion from Video 论文见解 摘要 这篇文章提出了一种学习框架：从视频序列中估计图片的深度和相机的Pose。用到的是端到端的学习方法。它是把视图合成作为监督信号的；所以是无监督的。用depth和pose来进行wrapping；然后再用真实的图片和wrapping出来的图片做Loss.以此来训练模型。 方法...
论文笔记-深度估计(6)-Unsupervised Learning of Depth and Ego-Motion from Video
一只飞鱼的博客
01-03 9704
CVPR2017_Unsupervised Learning of Depth and Ego-Motion from Video 这是一篇从一段视频中恢复场景深度和相机pose的论文。 他可能是第一篇用深度学习的方法从一段视频中恢复camera的pose的方法，它用两个网络（严格意义上是3个网络，下文赘述）分别/独自无监督地估计单帧的深度，和视频序列中的camera的pose变化。最终得到的
【论文精读】SfMLearner——《Unsupervised Learning of Depth and Ego-Motion from Video》
weixin_53215555的博客
10-06 3387
SFMlearner
Competitive Collaboration 论文阅读
qin_liang的博客
09-08 695
我们解决了低级视觉中几个相互关联问题的无监督学习：单视图深度预测、相机运动估计、光流以及将视频分割为静态场景和移动区域。我们的主要见解是这四个基本视觉问题通过几何约束耦合在一起。因此，学习一起解决它们可以简化问题，因为这些解决方案可以相互促进。我们通过更明确地利用几何形状并将场景分割为静态和移动区域，超越了之前的工作。为此，我们引入了竞争性协作，这是一个促进多个专业神经网络协调训练以解决复杂问题的框架。
【光流估计】无监督学习的LOSS
TSthinker的博客
10-07 1万+
无监督光流估计中损失函数的相关内容与个人理解
【论文阅读笔记】Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Elec
寸先生的AI道路
11-29 972
文章标题：Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records 发布时间：2016.5 刊物：Science Report 本文使用自编码器对电子病历进行大数据分析，结构比较简单：        使用的自编码器为...
CVPR 2016 摘要阅读
热门推荐
Tsingzao的博客
08-02 4万+
为了说明看过CVPR2016全部文章的摘要，总结一下，摘要只保留了创新点部分。 ORAL SESSION Image Captioning and Question Answering Monday, June 27th, 9:00AM - 10:05AM. These papers will also be presented at the following poster sessio
论文笔记 | Unsupervised Learning of Stereo Matching
迦小叶的博客
08-01 1027
--------------------------------------------------‘山水有相逢’---------------------------------------------------
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值