《表2 参数设置:结合注意力机制的深度学习光流网络》
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。
图表编号 | XD00223473300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 周海赟、项学智、翟明亮、张荣芳、王帅 |
绘制单位 | 南京森林警察学院治安学院、哈尔滨工程大学信息与通信工程学院、哈尔滨工程大学信息与通信工程学院、哈尔滨工程大学信息与通信工程学院、哈尔滨工程大学信息与通信工程学院 |
更多格式 | 高清、无水印(增值服务) |