Теория и техника экспериментальных исследований: Методы и техника измерений

101 потоке ; , u v ∇ ∇ – пространственные градиенты компонент оптичес - кого потока . Метод Лукаса – Канаде предполагает , что поток постоянен в локальной окрестности и решает уравнения оптического потока для всех пикселей в этой окрестности . Объединяя данные для со - седних пикселей , метод Лукаса – Канаде устанавливает систему линейных уравнений , решаемых методом наименьших квадратов . Методы Хорна – Шунка и Лукаса – Канаде относятся к клас - су дифференциальных методов и имеют ряд проблем при обработке сложных картин движения , поэтому был предложен ряд улучше - ний для классических алгоритмов оптического потока ( пирами - дальные методы , методы DeepFlow, EpicFlow). Кроме дифферен - циальных методов , к оптическому потоку также относят следую - щие классы алгоритмов : блочные методы ( минимизируют сумму квадратов или сумму модулей разности яркости пикселей ); дис - кретные методы ( квантование поискового пространства с после - дующим кластерным анализом ); фазовую корреляцию ( инверсию нормализованного перекрестного спектра ). При развитии классических алгоритмов вычисления оптичес - кого потока были достигнуты существенные успехи , но примене - ние этих алгоритмов требует больших вычислительных затрат . Ус - корение вычислений на современном этапе развития науки и тех - ники достигается за счет использования нейросетей . Модели глубокого машинного обучения , например FlowNet 2.0, RAFT, мо - гут напрямую оценивать оптический поток из пар изображений без использования вручную созданных признаков . Недостатком моде - лей , основанных на глубоком машинном обучении , является неоп - ределенность их эффективности в реальных условиях . Многообещающее направление – комбинация классических методов с глубоким машинным обучением . Примерами такой ком - бинации являются модели PWC-Net и LiteFlowNet, эффективность которых превзошла модель FlowNet 2.0. Более того , комбиниро -