结合注意力机制的深度学习光流网络

摘要

为提升基于编解码架构的U型网络在深度学习光流估计中的精度,提出了一种结合注意力机制的改进有监督深度学习光流网络.网络由收缩和扩张两部分组成,收缩部分利用一系列卷积层来提取图像之间的高级特征,扩张部分通过反卷积操作将特征图恢复至原始图像分辨率,将通道注意力机制引入U型网络架构中以学习通道之间的相互依赖性,自适应地调整各通道的特征权重,增强网络的特征提取能力.同时,改进的网络还使用了空洞卷积以在卷积核尺寸不变的情况下增大感受野,使用变分光流方法中的恒常约束与平滑约束以进一步利用运动先验知识提升估计效果.最后基于合成图像序列数据集进行了实验验证,实验结果表明所设计的网络能够有效提升深度学习光流估计的准确率.