基于FlowNet2.0网络的目标光流检测方法

基于FlowNet2.0网络的目标光流检测方法

TP242.6; 针对传统光流法存在鲁棒性不高、易对图像噪声敏感、实时性差等问题,提出了一种基于FlowNet2.0网络的目标光流检测方法.将相邻两帧图像输入基于Caffe学习框架的FlowNet2.0网络,让其在光流网络堆叠结构中进行相关卷积操作学习光流;接着对卷积神经网络前向反馈的梯度进行优化降低损失率,让其自适应地训练目标;最后融合光流模型实现预测光流图.FlyingChairs数据集的实验表明,相比于传统目标光流检测算法,本文方法在目标光流场检测中具有较好的实时性和自适应性....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:龙岩学院学报 2020, Vol.38 (2), p.37-42
Hauptverfasser: 周泳, 陶兆胜, 阮孟丽, 王丽华
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 42
container_issue 2
container_start_page 37
container_title 龙岩学院学报
container_volume 38
creator 周泳
陶兆胜
阮孟丽
王丽华
description TP242.6; 针对传统光流法存在鲁棒性不高、易对图像噪声敏感、实时性差等问题,提出了一种基于FlowNet2.0网络的目标光流检测方法.将相邻两帧图像输入基于Caffe学习框架的FlowNet2.0网络,让其在光流网络堆叠结构中进行相关卷积操作学习光流;接着对卷积神经网络前向反馈的梯度进行优化降低损失率,让其自适应地训练目标;最后融合光流模型实现预测光流图.FlyingChairs数据集的实验表明,相比于传统目标光流检测算法,本文方法在目标光流场检测中具有较好的实时性和自适应性.
doi_str_mv 10.16813/j.cnki.cn35-1286/g4.2020.02.009
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_lyszxb202002009</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>lyszxb202002009</wanfj_id><sourcerecordid>lyszxb202002009</sourcerecordid><originalsourceid>FETCH-wanfang_journals_lyszxb2020020093</originalsourceid><addsrcrecordid>eNpjYNAwNNAzNLMwNNbP0kvOy84EEsamuoZGFmb66SZ6RgZGBnoGRnoGBpYsDJyGZubGuiZmRpYcDLzFxZlJBgYWZuaWZoaWnAyGT-fverKrzy0nv9wvtQSo4fneic93z3k-q-X57HXPFrQ_be18trXx2eKGZ1u7n03b-WzzVB4G1rTEnOJUXijNzaDu5hri7KFbnpiXlpiXHp-VX1qUB5SJz6ksrqpIAjkFhCyNiVcJAD6wTY8</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于FlowNet2.0网络的目标光流检测方法</title><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>周泳 ; 陶兆胜 ; 阮孟丽 ; 王丽华</creator><creatorcontrib>周泳 ; 陶兆胜 ; 阮孟丽 ; 王丽华</creatorcontrib><description>TP242.6; 针对传统光流法存在鲁棒性不高、易对图像噪声敏感、实时性差等问题,提出了一种基于FlowNet2.0网络的目标光流检测方法.将相邻两帧图像输入基于Caffe学习框架的FlowNet2.0网络,让其在光流网络堆叠结构中进行相关卷积操作学习光流;接着对卷积神经网络前向反馈的梯度进行优化降低损失率,让其自适应地训练目标;最后融合光流模型实现预测光流图.FlyingChairs数据集的实验表明,相比于传统目标光流检测算法,本文方法在目标光流场检测中具有较好的实时性和自适应性.</description><identifier>ISSN: 1673-4629</identifier><identifier>DOI: 10.16813/j.cnki.cn35-1286/g4.2020.02.009</identifier><language>chi</language><publisher>安徽工业大学 安徽马鞍山 243032</publisher><ispartof>龙岩学院学报, 2020, Vol.38 (2), p.37-42</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/lyszxb/lyszxb.jpg</thumbnail><link.rule.ids>314,780,784,4022,27922,27923,27924</link.rule.ids></links><search><creatorcontrib>周泳</creatorcontrib><creatorcontrib>陶兆胜</creatorcontrib><creatorcontrib>阮孟丽</creatorcontrib><creatorcontrib>王丽华</creatorcontrib><title>基于FlowNet2.0网络的目标光流检测方法</title><title>龙岩学院学报</title><description>TP242.6; 针对传统光流法存在鲁棒性不高、易对图像噪声敏感、实时性差等问题,提出了一种基于FlowNet2.0网络的目标光流检测方法.将相邻两帧图像输入基于Caffe学习框架的FlowNet2.0网络,让其在光流网络堆叠结构中进行相关卷积操作学习光流;接着对卷积神经网络前向反馈的梯度进行优化降低损失率,让其自适应地训练目标;最后融合光流模型实现预测光流图.FlyingChairs数据集的实验表明,相比于传统目标光流检测算法,本文方法在目标光流场检测中具有较好的实时性和自适应性.</description><issn>1673-4629</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2020</creationdate><recordtype>article</recordtype><recordid>eNpjYNAwNNAzNLMwNNbP0kvOy84EEsamuoZGFmb66SZ6RgZGBnoGRnoGBpYsDJyGZubGuiZmRpYcDLzFxZlJBgYWZuaWZoaWnAyGT-fverKrzy0nv9wvtQSo4fneic93z3k-q-X57HXPFrQ_be18trXx2eKGZ1u7n03b-WzzVB4G1rTEnOJUXijNzaDu5hri7KFbnpiXlpiXHp-VX1qUB5SJz6ksrqpIAjkFhCyNiVcJAD6wTY8</recordid><startdate>2020</startdate><enddate>2020</enddate><creator>周泳</creator><creator>陶兆胜</creator><creator>阮孟丽</creator><creator>王丽华</creator><general>安徽工业大学 安徽马鞍山 243032</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2020</creationdate><title>基于FlowNet2.0网络的目标光流检测方法</title><author>周泳 ; 陶兆胜 ; 阮孟丽 ; 王丽华</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_lyszxb2020020093</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2020</creationdate><toplevel>online_resources</toplevel><creatorcontrib>周泳</creatorcontrib><creatorcontrib>陶兆胜</creatorcontrib><creatorcontrib>阮孟丽</creatorcontrib><creatorcontrib>王丽华</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>龙岩学院学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>周泳</au><au>陶兆胜</au><au>阮孟丽</au><au>王丽华</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于FlowNet2.0网络的目标光流检测方法</atitle><jtitle>龙岩学院学报</jtitle><date>2020</date><risdate>2020</risdate><volume>38</volume><issue>2</issue><spage>37</spage><epage>42</epage><pages>37-42</pages><issn>1673-4629</issn><abstract>TP242.6; 针对传统光流法存在鲁棒性不高、易对图像噪声敏感、实时性差等问题,提出了一种基于FlowNet2.0网络的目标光流检测方法.将相邻两帧图像输入基于Caffe学习框架的FlowNet2.0网络,让其在光流网络堆叠结构中进行相关卷积操作学习光流;接着对卷积神经网络前向反馈的梯度进行优化降低损失率,让其自适应地训练目标;最后融合光流模型实现预测光流图.FlyingChairs数据集的实验表明,相比于传统目标光流检测算法,本文方法在目标光流场检测中具有较好的实时性和自适应性.</abstract><pub>安徽工业大学 安徽马鞍山 243032</pub><doi>10.16813/j.cnki.cn35-1286/g4.2020.02.009</doi></addata></record>
fulltext fulltext
identifier ISSN: 1673-4629
ispartof 龙岩学院学报, 2020, Vol.38 (2), p.37-42
issn 1673-4629
language chi
recordid cdi_wanfang_journals_lyszxb202002009
source 国家哲学社会科学学术期刊数据库 (National Social Sciences Database)
title 基于FlowNet2.0网络的目标光流检测方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-13T10%3A13%3A10IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EFlowNet2.0%E7%BD%91%E7%BB%9C%E7%9A%84%E7%9B%AE%E6%A0%87%E5%85%89%E6%B5%81%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E9%BE%99%E5%B2%A9%E5%AD%A6%E9%99%A2%E5%AD%A6%E6%8A%A5&rft.au=%E5%91%A8%E6%B3%B3&rft.date=2020&rft.volume=38&rft.issue=2&rft.spage=37&rft.epage=42&rft.pages=37-42&rft.issn=1673-4629&rft_id=info:doi/10.16813/j.cnki.cn35-1286/g4.2020.02.009&rft_dat=%3Cwanfang_jour%3Elyszxb202002009%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=lyszxb202002009&rfr_iscdi=true