《表2 参数设置：结合注意力机制的深度学习光流网络》

  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

《结合注意力机制的深度学习光流网络》

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

其中，λ1、λ2、λ3、λ4分别表示亮度恒常损失函数、空间梯度损失函数、图像驱动的平滑项损失函数和端点误差损失函数的权重，本文采用加权求和的方式计算Lfinal，首先在网络扩张部分的不同分辨率下分别计算Lfinal，之后将所有分辨率下的Lfinal相加得到最后的损失函数总和。不同分辨率下每一项损失函数的权重如表2所示，由于亮度恒常损失函数、空间梯度损失函数、图像驱动的平滑项损失函数和端点误差损失函数在训练过程中的重要程度有所不同，各项损失函数所占的权重比例也有所不同，即在网络训练中起到的作用越大，权重系数越大。其中端点误差损失函数的权重参数参考Flow Net S[7]而设置，亮度恒常损失函数及空间梯度损失函数的重要程度随着分辨率尺度的不断增加而逐渐加强，因此按照等差数列的规律不断增加权重，即分辨率越大，所占权重比例越大。由于分辨率尺度并不影响图像驱动的平滑项，因此不同分辨率尺度下的图像驱动的平滑项损失函数权重全部相等。