CN110555861A - 光流计算方法、装置及电子设备 - Google Patents
光流计算方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110555861A CN110555861A CN201910731885.5A CN201910731885A CN110555861A CN 110555861 A CN110555861 A CN 110555861A CN 201910731885 A CN201910731885 A CN 201910731885A CN 110555861 A CN110555861 A CN 110555861A
- Authority
- CN
- China
- Prior art keywords
- image
- optical flow
- prediction network
- flow information
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 166
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 24
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 24
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种光流计算方法、装置及电子设备，属于数据处理领域，该方法包括：将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。通过本公开的处理方案，能够准确的计算图像的光流信息。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种光流计算方法、装置及电子设备。
背景技术
图像处理是指对图像进行分析、加工、和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用。目前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。
图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
光流(Optical flow)是关于视域中的物体运动检测中的概念。用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。光流法在样型识别、计算机视觉以及其他影像处理领域中非常有用，可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码，或者通过物体表面与边缘进行立体的测量等。在实际的光流计算中，如何能够提高光流计算的准确度，成为需要解决的技术问题。
发明内容
有鉴于此，本公开实施例提供一种光流计算方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种光流计算方法，包括：
将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；
利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；
基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；
将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
根据本公开实施例的一种具体实现方式，所述将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，包括：
在所述第一预测网络中设置图像关联层；
基于所述图像关联层，提取所述第一图像和第二图像的图像特征；
通过空间卷积运算的方式，确定提取到的所述第一图像和所述第二图像的图像特征的相关性；
基于所述第一图像和所述第二图像的图像特征的相关性，确定是否计算所述第一光流信息。
根据本公开实施例的一种具体实现方式，所述将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，包括：
在所述第一预测网络中设置多个残差块；
针对每个残差块，输入残差块前一层的输出的同时，还输入残差块前一层预测的低尺度的光流和对应模块中的特征层。
根据本公开实施例的一种具体实现方式，所述利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，包括：
在所述第二预测网络中设置多个卷积层；
基于所述多个卷积层，对所述第二图像进行图像特征提取。
根据本公开实施例的一种具体实现方式，所述基于所述多个卷积层，对所述第二图像进行图像特征提取，包括：
将多个卷积层通过串联的方式进行设置；
在串联的所述多个卷积层中间设置采样层，所述采样层的数目比所述卷积层的数目少一个；
将依次串行设置的卷积层和采样层计算得到的最终结果，作为所述第二图像的目标特征。
根据本公开实施例的一种具体实现方式，所述基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息，包括：
分别获取表示所述第一光流信息和所述目标特征的第一特征矩阵和第二特征矩阵；
对所述第一特征矩阵和所述第二特征矩阵进行归一化处理，得到第三特征矩阵；
将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测。
根据本公开实施例的一种具体实现方式，所述将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测，包括：
利用所述第三预测网络中串行设置的卷积层、批量标准化层和残差块，对所述第三特征矩阵进行计算，得到光流计算结果；
将所述光流计算结果作为所述第三预测网络预测得到的第二光流信息。
根据本公开实施例的一种具体实现方式，所述将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测，包括：
通过预设的损失函数，对所述第三预测网络计算得到的第二光流信息的精确度进行判断；
当所述第二光流信息的精确度满足要求时，完成对所述第二预测网络的训练；
利用训练完成的第三预测网络，对输入图像进行光流信息预测。
第二方面，本公开实施例提供了一种光流计算装置，包括：
输入模块，用于将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；
提取模块，用于利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；
预测模块，用于基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；
执行模块，用于将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的光流计算方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的光流计算方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的光流计算方法。
本公开实施例中的光流计算方案，包括将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。通过本公开的方案，能够准确的计算图像的光流信息。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种光流计算流程示意图；
图2为本公开实施例提供的一种光流计算架构示意图；
图3为本公开实施例提供的另一种光流计算流程示意图；
图4为本公开实施例提供的另一种光流计算流程示意图；
图5为本公开实施例提供的一种光流计算装置结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种光流计算方法。本实施例提供的光流计算方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种光流计算方法，包括如下步骤：
S101，将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像。
第一图像和第二图像为时间间隔较短的情况下，针对相同或相近的场景拍摄的图像。作为一种情况，第一图像和第二图像可以是一段视频中相邻的视频帧。由于第一图像和第二图像在时间维度上处于相邻状态，由此可以计算在相邻的时间间隔内第二图像相对于第一图像的光流信息。
为了方便计算第一图像和第二图像之间的光流信息，参见图2，可以设置第一预测网络，第一预测网络可以是基于卷积神经网络而设置的一种神经网络架构。例如，第一预测网络可以包括卷积层、池化层、采样层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快第一预测网络的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
除此之外，为了能够针对第一图像和第二图像进行关联计算，还可以在所述第一预测网络中设置图像关联层，通过图像关联层，能够提取所述第一图像和第二图像的图像特征，通过空间卷积运算的方式，确定提取到的所述第一图像和所述第二图像的图像特征的相关性，以便于基于所述第一图像和所述第二图像的图像特征的相关性，确定是否计算所述第一光流信息。
作为另外一种情况，还可以在所述第一预测网络中设置多个残差块针对每个残差块，输入残差块前一层的输出的同时，还输入残差块前一层预测的低尺度的光流和对应模块中的特征层，以确保每一层反卷积层在细化时，可以获得深层的抽象信息及浅层的具象信息，以弥补因特征空间尺度的缩小而损失的信息。
S102，利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征。
为了进一步的提高光流计算的准确性，参见图2，还可以设置与第一预测网络并行的第二预测网络。第二预测网络可以是基于卷积神经网络而设置的一种神经网络架构。例如，第二预测网络可以包括卷积层、池化层、采样层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快第二预测网络的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取的过程中，可以在所述第二预测网络中设置多个卷积层，通过多个卷积层，对所述第二图像进行图像特征提取。
具体的，基于多个卷积层，对所述第二图像进行图像特征提取，可以采用将多个卷积层通过串联的方式进行设置，同时在串联的所述多个卷积层中间设置采样层，所述采样层的数目比所述卷积层的数目少一个。最后将依次串行设置的卷积层和采样层计算得到的最终结果，作为所述第二图像的目标特征。
S103，基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息。
得到第一光流信息和目标特征之后，可以通过设置第三预测网络同时对第一光流信息和目标特征进行计算。
第三预测网络可以是基于卷积神经网络而设置的一种神经网络架构。作为一种应用场景，第三预测网络可以包括2个并行设置的子网络，这两个并行设置的子网络的结构分布与第一预测网络和第二预测网络的结构相同。例如，第三预测网络可以包括卷积层、池化层、采样层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快第三预测网络的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
除此之外，第三预测网络中还设置有批量标准化层(batch normalization)和残差块，批量标准化层用于对第三预测网络中产生的数据进行标准化处理(例如，0,1处理)，残差块作为激活函数可以进一步的对第三预测网络中的数据进行非线性化处理，从而加快第三预测网络的处理速度。
具体的，在基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息的过程中，可以分别获取表示所述第一光流信息和所述目标特征的第一特征矩阵和第二特征矩阵，通过对所述第一特征矩阵和所述第二特征矩阵进行归一化处理，使得第一特征矩阵和第二特征矩阵具有相同的大小，接下来通过将第一特征矩阵和第二特征矩阵进行均值计算的方式，可以得到第三特征矩阵。最后，将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测。
在进行预测的过程中，可以利用所述第三预测网络中串行设置的卷积层、批量标准化层和残差块，对所述第三特征矩阵进行计算，得到光流计算结果，将所述光流计算结果作为所述第三预测网络预测得到的第二光流信息。
S104，将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
获得第二光流信息之后，可以对第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
在训练的过程中，可以设置损失函数，通过损失函数对所述第三预测网络计算得到的第二光流信息的精确度进行判断。这样一来，通过多次迭代训练计算，当所述第二光流信息的精确度满足要求时，完成对所述第二预测网络的训练。
当第三预测网络训练完成之后，便可以利用训练完成的第三预测网络，对新的需要进行光流计算的输入图像进行光流信息预测。
通过本公开的方案，能够利用多个预测网络，在不同的预测网络中设置不同的数据处理任务，通过多个预测网络的配合设置，提高了光流预测的准确性。
参见图3，根据本公开实施例的一种具体实现方式，将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，可以包括如下步骤：
S301，在所述第一预测网络中设置图像关联层。
通过设置图像关联层，可以对第一图像和第二图像之间的关联关系进行计算。作为一个例子，图像关联层可以通过设置相似度计算函数的方式来完成。
S302，基于所述图像关联层，提取所述第一图像和第二图像的图像特征。
通过图像关联层，在记性关联性计算之前，可以首先对第一图像和第二图像之间的图像特征进行提取，例如，可以在图像关联层中设置卷积层的方式，通过在卷积层中设置特定的卷积核，来提取第一图像和第二图像的图像特征。
S303，通过空间卷积运算的方式，确定提取到的所述第一图像和所述第二图像的图像特征的相关性。
第一图像和第二图像的图像特征可以通过特征矩阵的方式进行描述，此时，只需要计算第一图像和第二图像对应的特征矩阵之间的关联性，便可以得到第一图像和第二图像之间的相关性。
S304，基于所述第一图像和所述第二图像的图像特征的相关性，确定是否计算所述第一光流信息。
获取到第一图像和第二图像之间的相关性之后，可以对相关性进行归一化处理，通过判断归一化之后的相关性是否大于预设值，来进一步的计算第一光流信息。例如，当归一化之后的相关性大于预设值时，进行第一光流信息的计算，当归一化之后的相关性不大于预设值时，则不进行第一光流信息的计算。
根据本公开实施例的一种具体实现方式，将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，可以在所述第一预测网络中设置多个残差块，针对每个残差块，输入残差块前一层的输出的同时，还输入残差块前一层预测的低尺度的光流和对应模块中的特征层，以确保每一层反卷积层在细化时，可以获得深层的抽象信息及浅层的具象信息，以弥补因特征空间尺度的缩小而损失的信息。
参见图4，根据本公开实施例的一种具体实现方式，利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取的过程中，可以包括如下步骤：
S401，在所述第二预测网络中设置多个卷积层。
通过设置多个卷积层，可以在第二预测网络中对输入的第二图像的特征进行多次计算，提高了提取的数据特征的准确性。
S402，基于所述多个卷积层，对所述第二图像进行图像特征提取。
具体的，在实现步骤S402的过程中，可以包括如下步骤：
S4021，将多个卷积层通过串联的方式进行设置；
S4022，在串联的所述多个卷积层中间设置采样层，所述采样层的数目比所述卷积层的数目少一个；
S4023，将依次串行设置的卷积层和采样层计算得到的最终结果，作为所述第二图像的目标特征。
根据本公开实施例的一种具体实现方式，所述基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息，包括：分别获取表示所述第一光流信息和所述目标特征的第一特征矩阵和第二特征矩阵；对所述第一特征矩阵和所述第二特征矩阵进行归一化处理，得到第三特征矩阵；将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测。
根据本公开实施例的一种具体实现方式，所述将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测，包括：利用所述第三预测网络中串行设置的卷积层、批量标准化层和残差块，对所述第三特征矩阵进行计算，得到光流计算结果；将所述光流计算结果作为所述第三预测网络预测得到的第二光流信息。
根据本公开实施例的一种具体实现方式，所述将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测，包括：通过预设的损失函数，对所述第三预测网络计算得到的第二光流信息的精确度进行判断；当所述第二光流信息的精确度满足要求时，完成对所述第二预测网络的训练；利用训练完成的第三预测网络，对输入图像进行光流信息预测。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种光流计算装置50，包括：
输入模块501，用于将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；
提取模块502，用于利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；
预测模块503，用于基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；
执行模块504，用于将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中光流计算方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的光流计算方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种光流计算方法，其特征在于，包括：
将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；
利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；
基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；
将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
2.根据权利要求1所述的方法，其特征在于，所述将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，包括：
在所述第一预测网络中设置图像关联层；
基于所述图像关联层，提取所述第一图像和第二图像的图像特征；
通过空间卷积运算的方式，确定提取到的所述第一图像和所述第二图像的图像特征的相关性；
基于所述第一图像和所述第二图像的图像特征的相关性，确定是否计算所述第一光流信息。
3.根据权利要求1所述的方法，其特征在于，所述将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，包括：
在所述第一预测网络中设置多个残差块；
针对每个残差块，输入残差块前一层的输出的同时，还输入残差块前一层预测的低尺度的光流和对应模块中的特征层。
4.根据权利要求1所述的方法，其特征在于，所述利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，包括：
在所述第二预测网络中设置多个卷积层；
基于所述多个卷积层，对所述第二图像进行图像特征提取。
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个卷积层，对所述第二图像进行图像特征提取，包括：
将多个卷积层通过串联的方式进行设置；
在串联的所述多个卷积层中间设置采样层，所述采样层的数目比所述卷积层的数目少一个；
将依次串行设置的卷积层和采样层计算得到的最终结果，作为所述第二图像的目标特征。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息，包括：
分别获取表示所述第一光流信息和所述目标特征的第一特征矩阵和第二特征矩阵；
对所述第一特征矩阵和所述第二特征矩阵进行归一化处理，得到第三特征矩阵；
将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测。
7.根据权利要求6所述的方法，其特征在于，所述将所述第三特征矩阵作为所述第三预测网络的输入，对所述第二图像的光流信息进行预测，包括：
利用所述第三预测网络中串行设置的卷积层、批量标准化层和残差块，对所述第三特征矩阵进行计算，得到光流计算结果；
将所述光流计算结果作为所述第三预测网络预测得到的第二光流信息。
8.根据权利要求1所述的方法，其特征在于，所述将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测，包括：
通过预设的损失函数，对所述第三预测网络计算得到的第二光流信息的精确度进行判断；
当所述第二光流信息的精确度满足要求时，完成对所述第二预测网络的训练；
利用训练完成的第三预测网络，对输入图像进行光流信息预测。
9.一种光流计算装置，其特征在于，包括：
输入模块，用于将相邻的第一图像和第二图像输入到第一预测网络中，得到第一光流信息，所述第一图像在时间维度上早于所述第二图像；
提取模块，用于利用与所述第一预测网络并行的第二预测网络，对所述第二图像进行图像特征提取，以得到目标特征；
预测模块，用于基于所述第一光流信息和所述目标特征，利用包含所述第一预测网络和所述第二预测网络的第三预测网络对所述第二图像的光流信息进行预测，得到第二光流信息；
执行模块，用于将所述第二光流信息，对所述第三预测网络进行训练，以便基于训练后的第三预测网络对输入图像的光流信息进行预测。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-8所述的光流计算方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-8所述的光流计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731885.5A CN110555861B (zh) | 2019-08-09 | 2019-08-09 | 光流计算方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910731885.5A CN110555861B (zh) | 2019-08-09 | 2019-08-09 | 光流计算方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110555861A true CN110555861A (zh) | 2019-12-10 |
| CN110555861B CN110555861B (zh) | 2023-04-25 |
Family
ID=68737316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910731885.5A Active CN110555861B (zh) | 2019-08-09 | 2019-08-09 | 光流计算方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555861B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127522A (zh) * | 2019-12-30 | 2020-05-08 | 亮风台（上海）信息科技有限公司 | 基于单目相机的深度光流预测方法、装置、设备及介质 |
| CN111898573A (zh) * | 2020-08-05 | 2020-11-06 | 上海眼控科技股份有限公司 | 图像预测方法、计算机设备和存储介质 |
| WO2022048582A1 (zh) * | 2020-09-02 | 2022-03-10 | 北京灵汐科技有限公司 | 光流信息预测方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3166075A1 (en) * | 2015-11-05 | 2017-05-10 | Facebook, Inc. | Systems and methods for processing content using convolutional neural networks |
| WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技（深圳）有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN109410253A (zh) * | 2018-11-06 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
-
2019
- 2019-08-09 CN CN201910731885.5A patent/CN110555861B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3166075A1 (en) * | 2015-11-05 | 2017-05-10 | Facebook, Inc. | Systems and methods for processing content using convolutional neural networks |
| WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技（深圳）有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN109410253A (zh) * | 2018-11-06 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 季寒冰等: "用于光流计算的一种神经网络算法", 《电子学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127522A (zh) * | 2019-12-30 | 2020-05-08 | 亮风台（上海）信息科技有限公司 | 基于单目相机的深度光流预测方法、装置、设备及介质 |
| CN111127522B (zh) * | 2019-12-30 | 2024-02-06 | 亮风台（上海）信息科技有限公司 | 基于单目相机的深度光流预测方法、装置、设备及介质 |
| CN111898573A (zh) * | 2020-08-05 | 2020-11-06 | 上海眼控科技股份有限公司 | 图像预测方法、计算机设备和存储介质 |
| WO2022048582A1 (zh) * | 2020-09-02 | 2022-03-10 | 北京灵汐科技有限公司 | 光流信息预测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555861B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN110415276B (zh) | 运动信息计算方法、装置及电子设备 | |
| CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
| CN111222509B (zh) | 目标检测方法、装置及电子设备 | |
| CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
| CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN112418232B (zh) | 图像分割方法、装置、可读介质及电子设备 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
| CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
| CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN111626990A (zh) | 目标检测框处理方法、装置及电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN110555892B (zh) | 多角度图像生成方法、装置及电子设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111738415B (zh) | 模型同步更新方法、装置及电子设备 | |
| CN110704679B (zh) | 视频分类方法、装置及电子设备 | |
| CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
| CN110390291B (zh) | 数据处理方法、装置及电子设备 | |
| CN112561778B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN110263852B (zh) | 数据处理方法、装置及电子设备 | |
| CN113283115B (zh) | 图像模型生成方法、装置和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |