PWC Net下載-PWC PWC Net源代碼下載

PWC Net

Python

1.0.0

下載

PWC-NET：用於使用金字塔，扭曲和成本量的光流的CNN

執照

用法

對於Caffe用戶，請參閱Caffe/readme.md。

有關Pytorch用戶，請參考pytorch/readme.md

Pytorch的實施幾乎與CAFFE實施相匹配（Sintel訓練集的最終傳球：Pytorch的2.31，Caffe的平均EPE）。

網絡架構

PWC-NET融合了幾種經典的光流估計技術，包括圖像金字塔，翹曲和成本量，以端到端可訓練的深度神經網絡，以實現最先進的結果。

紙和引文

Deqing Sun，Xiaodong Yang，Ming-Yu Liu和Jan Kautz。 “ PWC-NET：使用金字塔，翹曲和成本量的光流的CNN。” CVPR 2018或ARXIV：1709.02371

更新和擴展版本：“模型很重要，培訓也是如此：CNN的經驗研究，用於光流估計。” Arxiv：1809.05571

項目頁面鏈接

在強大的視力挑戰研討會上談論

在CVPR 2018會議上談話

如果您使用PWC-NET，請引用以下論文：

 @InProceedings{Sun2018PWC-Net,
  author    = {Deqing Sun and Xiaodong Yang and Ming-Yu Liu and Jan Kautz},
  title     = {{PWC-Net}: {CNNs} for Optical Flow Using Pyramid, Warping, and Cost Volume},
  booktitle = CVPR,
  year      = {2018},
}

或arxiv紙

 @article{sun2017pwc,
  author={Sun, Deqing and Yang, Xiaodong and Liu, Ming-Yu and Kautz, Jan},
  title={{PWC-Net}: {CNNs} for Optical Flow Using Pyramid, Warping, and Cost Volume},
  journal={arXiv preprint arXiv:1709.02371},
  year={2017}
}

或更新和擴展版本

 @article{Sun2018:Model:Training:Flow,
  author={Sun, Deqing and Yang, Xiaodong and Liu, Ming-Yu and Kautz, Jan},
  title={Models Matter, So Does Training: An Empirical Study of CNNs for Optical Flow Estimation},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},
  note = {to appear}
}

對於多幀流程，也請引用

 @inproceedings{ren2018fusion,
  title={A Fusion Approach for Multi-Frame Optical Flow Estimation},
  author={Ren, Zhile and Gallo, Orazio and Sun, Deqing and Yang, Ming-Hsuan and Sudderth, Erik B and Kautz, Jan},
  booktitle={Proceedings of the IEEE Winter Conference on Applications of Computer Vision (WACV)},
  year={2019}
}