Apprentissage profond non supervisé fondé sur l'algorithme EM pour la segmentation du mouvement
| Autor: | Meunier, Etienne, Badoual, Anaïs, Bouthemy, Patrick |
|---|---|
| Přispěvatelé: | Meunier, Etienne, Space-timE RePresentation, Imaging and cellular dynamics of molecular COmplexes (SERPICO), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria) |
| Jazyk: | francouzština |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | RFIAP 2022-Reconnaissance des Formes, Image, Apprentissage et Perception RFIAP 2022-Reconnaissance des Formes, Image, Apprentissage et Perception, Jul 2022, Vannes, France. pp.1-10 |
| Popis: | This paper presents a CNN-based fully unsupervised method for motion segmentation from optical flow. We assume that the input optical flow can be represented as a piecewise set of parametric motion models, typically, affine or quadratic motion models. The core idea of this work is to leverage the Expectation-Maximization (EM) framework. It enables us to design in a well-founded manner the loss function and the training procedure of our motion segmentation neural network. However, in contrast to the classical iterative EM, once the network is trained, we can provide a segmentation for any unseen optical flow field in a single inference step, with no dependence on the initialization of the motion model parameters since they are not estimated in the inference stage. Our method outperforms comparable unsupervised methods and is very efficient. Cet article présente une méthode entièrement non supervisée basée sur un réseau neuronal convolutionnel pour la segmentation du mouvement à partir du flot optique. Nous supposons que le flot optique d'entrée peut être représenté par un ensemble de modèles de mouvement paramétriques, typiquement des modèles de mouvement affines ou quadratiques. L'idée centrale de ce travail est d'exploiter le cadre de l'Espérance-Maximisation (EM). Il nous permet de concevoir d'une manière bien fondée la fonction de perte et la procédure d'apprentissage de notre réseau de neurones de segmentation du mouvement. Contrairement à la méthode EM itérative classique, une fois le réseau entraîné, nous pouvons fournir une segmentation pour tout nouveau champ de flot optique en une seule étape d'inférence et sans avoir avoir à estimer de modèles de mouvement. Notre méthode surpasse les méthodes non supervisées comparables et est très efficace en temps de calcul. Mots Clés Segmentation du mouvement, flot optique, réseau de neurones, algorithme EM. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|