초록
우리는 광류(optical flow) 학습 프로토콜을 기존 방식에서 수정함으로써, 학습 과정의 계산 복잡도를 증가시키지 않으면서도 상당한 정확도 향상을 달성하고자 제안한다. 이 개선은 현재 학습 프로토콜에서 어려운 데이터 샘플링에 대한 편향(bias)을 관찰하고, 이를 보완하기 위한 샘플링 과정을 개선함에 기반한다. 또한, 학습 과정 중 정규화(regularization)와 증강(augmentation)의 강도는 점차 감소되어야 함을 발견하였다. 기존의 파라미터 수가 적은 아키텍처를 활용한 본 방법은 모든 다른 방법 중에서 MPI Sintel 벤치마크에서 1위를 기록하였으며, 기존 최고의 2프레임 방법 대비 정확도를 10% 이상 향상시켰다. 또한 KITTI 벤치마크에서는 유사한 아키텍처 변형들보다 각각 12% 이상, 19.7% 이상 높은 성능을 기록하였으며, 추가 데이터셋을 사용하지 않고도 2프레임 방법 중 KITTI2012에서 가장 낮은 평균 종점 오차(Average End-Point Error)를 달성하였다.