摘要
在本文中，我们提出了一种基于卷积神经网络（CNN）的完全无监督方法，用于从光流中进行运动分割。我们假设输入的光流可以表示为参数化运动模型的分段集合，通常为仿射或二次运动模型。我们的工作的核心思想是利用期望最大化（EM）框架来设计一种有理论依据的损失函数和训练过程，该方法不需要真实标签或手动注释。然而，与经典的迭代式EM不同，一旦网络训练完成，我们可以对任何未见过的光流场在单次推理步骤中提供分割结果，而无需估计任何运动模型。我们研究了不同的损失函数，包括鲁棒性损失函数，并提出了一种新颖且高效的光流场数据增强技术，适用于任何以光流作为输入的网络。此外，我们的方法设计上能够分割多个运动。我们的运动分割网络在四个基准数据集DAVIS2016、SegTrackV2、FBMS59和MoCA上进行了测试，并表现出色，同时在测试时速度非常快。