Flownet 介紹 及光流的簡單介紹
Optical Flow(光流) 介紹
segmentation : 畫素級的分類
光流估計 : 畫素級的迴歸
光流估計 預測連續圖片序列中每個畫素的速度(大小與方向)
例如給定第t幀與t+1幀,求每個畫素的運動速度與方向
It(x1,y1) = It+1(x2,y2) = It(x1 + vx,y1 + vy)
(vx,vy)即為我們要預測的
光流場 (Optical Flow Field) : 整張圖片的光流
光流場是個雙通道影像,尺寸與原圖相等
FlowNet
FlowNetCorr
如圖,網路整體還是很容易理解的
灰色箭頭是給了一條支路用於concat操作,U-net,densenet等網路中已經屢見不鮮
conv_redir是1*1卷積用於壓縮至32維
corr定義如下
其實就是拿第二個feature map去卷積 (其實是相關運算) 第一個feature map
f1:第一個特徵圖 f2:第二個特徵圖
x1,x2是位置
卷積核尺寸 : 以x2為中心的 (2k+1)*(2k+1) 的區域 , 通道與原feature map一致
卷積核個數 : 即x2可選位置的個數
x2可取x1為中心周圍 (2k+1)*(2k+1) 的所有位置
論文中k取10,即(2*10+1)*(2*10+1)=441個通道
refinement
主要為堆疊deconv和concat操作
其實這部分加上Corr運算之後的部分合起來和Unet沒啥區別
其中 flow5/4/3 等是把concat起來的feature map進行預測光流場(conv成雙通道再deconv)
再和下一個feature map 進行 concat
final
總而言之就是 Corr + U-net + flow
模型以實驗得出為主
也是較早的一個模型,好像flow net 2.0也出來了,主要用於我粗略瞭解這方面的知識
相關文章
- CSRF簡單介紹及利用方法
- Lucene介紹及簡單應用
- AOP的簡單介紹
- Webpack 的簡單介紹Web
- Map簡單介紹
- SVG簡單介紹SVG
- Clickjacking簡單介紹
- 【Pandas】簡單介紹
- ActiveMQ簡單介紹MQ
- JSON簡單介紹JSON
- RPC簡單介紹RPC
- Python簡單介紹Python
- KVM簡單介紹
- RMI簡單介紹
- HTML簡單介紹HTML
- HTML 簡單介紹HTML
- JavaScript 簡單介紹JavaScript
- CSS 簡單介紹CSS
- ajax簡單介紹
- 簡單介紹nginx反向代理及使用Nginx
- Docker(3):Dockerfile介紹及簡單示例Docker
- form表單的簡單介紹ORM
- 函子的簡單介紹
- 簡單介紹克隆 JavaScriptJavaScript
- 禪道簡單介紹
- Apache Curator簡單介紹Apache
- spark簡單介紹(一)Spark
- Flutter key簡單介紹Flutter
- Ansible(1)- 簡單介紹
- Git_簡單介紹Git
- jQuery Validate簡單介紹jQuery
- JSON物件簡單介紹JSON物件
- <svg>元素簡單介紹SVG
- 簡單介紹 ldd 命令
- 簡單介紹SpringSecurity框架簡介及與shiro特點對比SpringGse框架
- 簡單介紹Rust中的workspaceRust
- Caffeine快取的簡單介紹快取
- java註解的簡單介紹Java