Apprentissage par analogie : une supervision fiable à partir de transformations pour l'estimation non supervisée du flux optique

L'apprentissage non supervisé du flux optique, qui exploite la supervision issue de la synthèse de vue, est devenu une alternative prometteuse aux méthodes supervisées. Toutefois, l'objectif de l'apprentissage non supervisé risque de se révéler peu fiable dans des scènes complexes. Dans ce travail, nous proposons un cadre permettant d'utiliser une supervision plus fiable issue de transformations. Il s'agit simplement de modifier le pipeline général d'apprentissage non supervisé en effectuant un passage avant supplémentaire sur des données transformées par augmentation, tout en utilisant les prédictions transformées des données initiales comme signal de self-supervision. En outre, nous introduisons par ailleurs un réseau léger basé sur plusieurs cadres, doté d'un décodeur de flux fortement partagé. Notre méthode obtient de manière cohérente une amélioration significative des performances sur plusieurs benchmarks, atteignant la meilleure précision parmi les méthodes profondes non supervisées. De plus, elle atteint des résultats compétitifs par rapport aux méthodes récemment proposées entièrement supervisées, tout en nécessitant beaucoup moins de paramètres.