Selbstreinigende Iterationen und Regressions-Focal-Loss zur Verbesserung leichtgewichtiger optischer Flussmodelle
Zwei synergistische Techniken, Selbstreinigende Iterationen (SCI) und Regressions-Focal-Loss (RFL), werden entwickelt, um die Leistungsfähigkeit optischer Flussmodelle zu verbessern, indem Ungenauigkeiten in der Flussschätzung angegangen werden.
Effiziente Verarbeitung und Analyse von Inhalten durch tabellenbasierte Approximation von Convolutional Neural Networks
Durch die Verwendung von Tabellenlookups können Convolutional Neural Networks deutlich effizienter berechnet werden, ohne dass die Genauigkeit stark beeinträchtigt wird.
Effiziente Verbesserung der optischen Flussschätzung durch Verdeckungs- und Konsistenz-bewusste Interpolation
Die Methode OCAI ermöglicht eine robuste Videorahmeninterpolation durch Generierung von Zwischenframes und dazugehörigen optischen Flüssen, die dann in einem semi-überwachten Lernverfahren zur Verbesserung der optischen Flussschätzung genutzt werden.
Sichere Einzeliterationslokalisation: Eine effiziente und datenschutzfreundliche Methode zur visuellen Positionsbestimmung
Eine neue Methode zur datenschutzfreundlichen visuellen Positionsbestimmung, die eine deutlich höhere Effizienz bei gleichbleibender Sicherheit bietet.
© 2024 by Linnk AI