В данной работе предложена сеть оценки оптического потока, интегрирующая информацию о связанных областях последовательных изображений, для решения проблем нечёткой сегментации контуров целей и отсутствия мелких деталей в существующих методах оценки оптического потока. С помощью кодировщика признаков и глобального кодировщика извлекаются кодировочные и контекстные признаки изображения соответственно, а размеры признаков уменьшаются с помощью даунсемплинга. Перед построением 4D корреляционного объёма входные непрерывные два кадра признаков разбиваются на регионы, и плотное визуальное сходство рассчитывается с учётом сильной и слабой корреляции, что позволяет сформировать более точный 4D корреляционный объём. На этапе итеративного обновления предложены остаточный свёрточный фильтр и модуль мелких деталей, которые применяются для обработки корреляционного объёма и переноса оптического потока соответственно, что позволяет сохранить больше локальной информации о малых смещениях перед объединением информации корреляционного объёма и оптического потока. По сравнению с другими методами на наборах данных KITTI-2015 и MPI-Sintel показатели оценки оптического потока улучшились на 8,2% и 6,15% соответственно. Предложенная модель сети лучше повышает точность оценки оптического потока и эффективно решает проблемы чрезмерно сглаженного поля оптического потока, отсутствия мелких деталей и игнорирования движения мелких объектов.

компьютерное зрение;глубокое обучение;оптический поток;сопоставление областей;итеративное обновление