ScopeFlow: التصنيف الديناميكي للمشهد لتدفق بصري

نقترح تعديل بروتوكولات التدريب الشائعة لتدفق البصري، مما يؤدي إلى تحسين ملحوظ في الدقة دون زيادة في التعقيد الحسابي لعملية التدريب. يعتمد هذا التحسن على ملاحظة الانحياز في عينة البيانات الصعبة الموجودة في بروتوكول التدريب الحالي، وتحسين عملية العينة. بالإضافة إلى ذلك، نجد أن كلًا من الت régularization والتوسيع (augmentation) ينبغي أن يقللا تدريجيًا خلال بروتوكول التدريب. باستخدام بنية ذات عدد منخفض من المعاملات (low parameters architecture) متوفرة مسبقًا، يحتل هذا الأسلوب المرتبة الأولى في معيار MPI Sintel مقارنةً بجميع الأساليب الأخرى، مع تحسين دقة أفضل طريقة تعتمد على إطارين بأكثر من 10٪. كما يتفوق على جميع التحولات المشابهة للبنية على معيار KITTI بنسبة تزيد عن 12٪ و19.7٪ على التوالي، ويحقق أقل متوسط خطأ في النقطة النهائية (Average End-Point Error) على KITTI2012 بين الطرق التي تعتمد على إطارين، دون استخدام مجموعات بيانات إضافية.