بالنظر إلى مشاكل تقدير تدفق الحركة الحالية مثل عدم وضوح حدود الهدف ونقص التفاصيل الدقيقة، يقترح هذا البحث شبكة تقدير تدفق الحركة التي تدمج معلومات المناطق ذات الصلة من تسلسل الصور. يتم استخراج الخصائص المشفرة وخصائص السياق من الصور بواسطة مشفر الخصائص والمشفر العالمي على التوالي، ويتم تقليل حجم الخصائص من خلال المعالجة بالخفض في العينات. قبل بناء الحجم الرباعي الأبعاد لمعلومات الارتباط، يتم تقسيم خريطتي الخصائص للإطارات المتتالية المدخلة، ويتم حساب التشابه البصري الكثيف بطريقة ارتباط قوية وضعيفة لإنشاء حجم ارتباط رباعي الأبعاد أكثر دقة. في مرحلة التحديث التكراري، تم اقتراح فلتر الالتفاف المتبقي ووحدة التفاصيل الدقيقة لتطبيقهما على معالجة حجم الارتباط وتمرير تدفق الحركة على التوالي، مما يحفظ معلومات تحرك موضعية صغيرة قبل دمج حجم الارتباط ومعلومات تدفق الحركة. مقارنة بالطرق الأخرى على مجموعتي بيانات KITTI-2015 وMPI-Sintel، تحسنت مؤشرات تقييم تقدير تدفق الحركة بنسبة 8.2٪ و6.15٪ على التوالي. يمكن أن يحسن نموذج الشبكة المقترح دقة تقدير تدفق الحركة بشكل أفضل ويحل بفعالية مشاكل سلاسة تدفق الحركة المفرطة، ونقص التفاصيل الدقيقة، وتجاهل حركة الأجسام الصغيرة.

رؤية حاسوبية;تعلم عميق;تدفق الحركة;مطابقة المناطق;تحديث تكراري