《表1 不同的深度学习网络在Flying Chairs上的表现》
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。
图表编号 | XD00208473500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 丰艳、刘帅、王传旭 |
绘制单位 | 青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院 |
更多格式 | 高清、无水印(增值服务) |