51、运动估计与分层运动技术解析

最新推荐文章于 2025-12-21 14:59:18 发布

脑洞大开810

最新推荐文章于 2025-12-21 14:59:18 发布

阅读量41

点赞数

CC 4.0 BY-SA版权

分类专栏：计算机视觉算法精解文章标签：运动估计光流估计深度学习

本文链接：https://blog.youkuaiyun.com/cnn8visionary/article/details/152157062

计算机视觉算法精解专栏收录该内容

88 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

运动估计与分层运动技术解析

1. 光流估计的深度学习方法

在过去十年里，深度神经网络已成为高性能光流算法的重要组成部分。以下是一些典型的深度学习光流估计算法：
- DeepFlow系统 ：受深度卷积网络启发，采用手工卷积和池化来计算多级响应图（匹配成本），然后使用经典的能量最小化变分框架进行优化。
- FlowNetS和FlowNetC ：FlowNetS是首个在编码器 - 解码器网络中使用全深度端到端学习的系统，在合成的FlyingChairs数据集上进行训练。FlowNetC则使用了相关网络（局部成本体积）。
- FlowNet 2.0 ：利用初始光流估计对图像进行变形，然后使用级联的编码器 - 解码器网络细化光流估计，后续研究还涉及遮挡和不确定性建模。
- SPyNet和PWC - Net ：SPyNet率先探索了使用图像和光流金字塔结合粗到精的变形和细化方法。PWC - Net在此基础上进一步发展，先为每一帧计算特征金字塔，通过上一分辨率级别插值得到的光流对第二组特征进行变形，然后通过特征图之间的点积计算成本体积，最后使用多层CNN生成当前级别的细化光流估计。