Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341167| Заглавие документа: | An improved LiteFlowNet3 method for precise optical flow calculation in video |
| Другое заглавие: | Улучшенный метод LiteFlowNet3 для точного расчета оптического потока на видео / Кайю Ван, С. Абламейко |
| Авторы: | Wang, Kaiyu Ablameyko, S. |
| Тема: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика |
| Дата публикации: | 2025 |
| Издатель: | Минск : БГУ |
| Библиографическое описание источника: | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 20-29. |
| Аннотация: | The paper proposes an improved LiteFlowNet3 method for precise optical flow calculation in video. It combines probabilistic modeling with adversarial training and improves the cost-volume modulation module of LiteFlowNet3. By introducing a Gaussian Mixture Model (GMM) to model the distribution of optical flow residuals and designing a generative adversarial mechanism to discriminate anomalous regions, the proposed method achieves end-to-end filtering of outliers. Experimental evaluations on MPI-Sintel optical flow datasets demonstrate that the proposed method reduces the average endpoint error (EPE) by 14.3% and enhances the anomaly detection AUC to 0.88, significantly outperforming the baseline LiteFlowNet3. The approach enhances the robustness of optical flow estimation for practical applications such as video analysis |
| Аннотация (на другом языке): | В статье предлагается усовершенствованный метод LiteFlowNet3 для точного расчёта оптического потока в видео. Он сочетает вероятностное моделирование с состязательным обучением и улучшает модуль модуляции стоимости-объёма LiteFlowNet3. Благодаря внедрению модели гауссовой смеси (GMM) для моделирования распределения оптического потока и разработке генеративного состязательного механизма для выделения аномальных областей, предлагаемый метод обеспечивает сквозную фильтрацию выбросов. Экспериментальные исследования на наборах данных оптического потока MPI-Sintel показывают, что предлагаемый метод снижает среднюю ошибку конечной точки (EPE) на 14,3% и увеличивает AUC обнаружения аномалий до 0,88, значительно превосходя базовый LiteFlowNet3. Этот подход повышает надежность применения оптического потока для практических приложений, таких как видеоанализ |
| Доп. сведения: | Раздел I. Компьютерное зрение и графика |
| URI документа: | https://elib.bsu.by/handle/123456789/341167 |
| ISBN: | 978-985-881-851-7 978-985-881-853-1 (ч. 2) |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | 2025. Информационные системы и технологии |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.