《表1 不同的深度学习网络在Flying Chairs上的表现》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的光流估计模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表1给出了上述网络与本文方法在Flying Chairs数据集上的估计结果，使用网络输出光流和数据集中Ground truth之间的平均终点误差（Average endpoint error，AEE）评估光流估计精度。从表1中可知，SPy Net[18]由于其多尺度估计机制，导致光流图像容易出现大范围模糊，因此整体精度较差。而Flow Net C[17]和Lite Flow Net[26]在特征融合部分所做的优化，使其在解决Flying Chairs数据集中的简单运动问题，效果反而要比SPy Net[18]更为突出，但结果仍不理想。Flow Net2[25]的级联结构可以很好地帮助网络适应各种运动情况，因此整体精度较高。而本文级联网络DANet-C的AEE误差为1.75，达到最小值；这表明本文DANet-C网络在应对平面和小位移等简单运动上，同样具有更好的鲁棒性和光流估计精度，显示出本文所采用的可形变卷积、基于注意力机制的关联层和网络级联结构的优越性。