开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

已设置largeHeap=true，高分辨率位图导致OutOfMemoryError异常

已设置largeHeap=true是指在Android应用程序的Manifest文件中设置了largeHeap属性为true。这个属性的作用是告诉系统为应用程序分配更大的堆内存空间，以便应对内存需求较大的情况。

高分辨率位图导致OutOfMemoryError异常是指在加载或处理高分辨率的位图时，由于内存不足而导致应用程序抛出OutOfMemoryError异常。这是因为高分辨率的位图占用的内存较大，超出了应用程序默认分配的堆内存大小。

解决这个问题的方法有以下几种：

优化位图加载：可以使用BitmapFactory类的options参数来降低位图的采样率，减少内存占用。可以通过设置inSampleSize属性来实现，该属性指定了位图的缩放比例。
使用图片压缩：可以使用图片压缩算法，将高分辨率的位图进行压缩，减小内存占用。常用的图片压缩算法有JPEG和PNG。
使用内存缓存：可以使用LruCache等内存缓存机制，将位图缓存在内存中，避免重复加载和解码。
使用矢量图形：可以考虑使用矢量图形代替位图，矢量图形可以无损缩放，不会因为分辨率变化而导致内存占用增加。
释放内存资源：在不需要使用位图时，及时释放内存资源，调用Bitmap的recycle()方法来回收位图占用的内存。

腾讯云相关产品推荐：

腾讯云对象存储（COS）：用于存储和管理大规模的非结构化数据，支持海量文件存储和访问。详情请参考：https://cloud.tencent.com/product/cos
腾讯云云服务器（CVM）：提供弹性计算能力，可根据业务需求快速创建、部署和扩展云服务器。详情请参考：https://cloud.tencent.com/product/cvm
腾讯云云数据库MySQL版：提供稳定可靠的关系型数据库服务，支持高可用、备份恢复等功能。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云人工智能平台（AI Lab）：提供丰富的人工智能服务和开发工具，包括图像识别、语音识别、自然语言处理等。详情请参考：https://cloud.tencent.com/product/ailab

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

科研SCI论文图片基础知识详解

SCI论文图片的编辑是一门简单，却不容易的学问。在编辑图片的过程中，涉及到很多软件的配合使用，同时我们的目的不仅是满足投稿杂志的参数要求，还希望尽量做得美观好看。

01

Android开发笔记（八十一）屏幕规格适配

适配各种屏幕规格，首先要取到系统对于屏幕的配置信息，这些配置可从工具类Configuration获得。Configuration对象在Activity中通过调用getResources().getConfiguration()得到，该对象的常用属性说明如下： touchscreen : 屏幕触摸方式。有下列几种取值定义："未定义", "不支持触摸", "专用笔触摸", "支持手指触摸" keyboard : 物理键盘样式。有下列几种取值定义："未定义", "无物理键盘", "全键盘", "十二格键盘" keyboardHidden : 键盘状态。有下列几种取值定义："未定义", "未隐藏或软键盘", "已隐藏", "软键盘" hardKeyboardHidden : 物理键盘状态。有下列几种取值定义："未定义", "未隐藏", "已隐藏" navigation : 方向控制样式。有下列几种取值定义："未定义", "无方向控制", "方向键", "轨迹球", "滚轮" navigationHidden : 方向控制状态。有下列几种取值定义："未定义", "未隐藏", "已隐藏" orientation : 屏幕方向。有下列几种取值定义："未定义", "竖屏", "横屏" 以上属性除了屏幕方向是有用的，其他的基本没什么用。如果属性发生变化，可重写onConfigurationChanged函数监测最新的属性值。但是由屏幕旋转导致的屏幕方向变化，按照生命周期走的是原方向onDestroy然后新方向onCreate，并不触发onConfigurationChanged方法，所以该方法基本也没机会用到。

03

Android图片相关

Bitmap - 称作位图，一般位图的文件格式后缀为bmp，当然编码器也有很多如RGB565、RGB8888。作为一种逐像素的显示对象执行效率高，但是缺点也很明显存储效率低。我们理解为一种存储对象比较好。

03

创建Windows Mobile上兼容性好的UI 程序

看看上面这个Emulator的截图吧，有WM 2003se、5.0、6.0的，有pocket PC、smartphone、classic、professional的，有英文的，也有中文的，分辨率、DPI都各有区别。在这么多眼花缭乱的WM平台上开发应用程序，UI的设计，特别是compatible的UI策略，是很重要的。之前的Docking and Anchoring Controls on Windows Mobile也是其中一点。在MSDN上看到了这个方面比较有指导意义的文章Create Com

09

【IOS开发基础系列】屏幕适配专题

由此可见，只有iPhone4和iPhone4s和iPhone5及以上设备的长宽比不一样，可以粗略认为iPhone5、5s、6、6+的长宽比是一样的，可以等比例缩放，虽然有细微的差别，基本上看不出来。

04

在 LaTeX 中插入图片「建议收藏」

原文：Inserting Images 译者：Xovee 翻译时间：2020年9月18日

02

揭秘AI幻觉：GPT-4V存在视觉编码漏洞，清华联合NUS提出LLaVA-UHD

GPT-4V 的推出引爆了多模态大模型的研究。GPT-4V 在包括多模态问答、推理、交互在内的多个领域都展现了出色的能力，成为如今最领先的多模态大模型。

01

PULSE:一种基于隐式空间的图像超分辨率算法

分享一篇 CVPR 2020 录用论文：PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models，作者提出了一种新的图像超分辨率方法，区别于有监督的PSNR-based和GANs-based方法，该方法是一种无监督的方法，即只需要低分辨率的图片就可以恢复高质量、高分辨率的图片。

02

【云+社区年度征文】safari浏览器播放自适应码流分辨率规格的选择

众所周知，自适应码流，是一种将视频内容制作成多种分辨率版本，最终播放器根据当前的网络情况自动选择版本播放的技术。在腾讯视频、优酷、爱奇艺等视频媒体平台，腾讯课堂、企鹅辅导等在线教育网站中极为常见。近期有客户反馈，使用chrome和safari浏览器播放自适应码流的文件时，发现两者播放的清晰度不一致。是chrome的问题，还是safari对自适应码流转码后文件的码率选择有特殊要求？下面我们来复现下问题并分析下如何解决。主要使用以下腾讯云服务：

印刷【A级条码】的方法

条码的等级是能否被正确识别的关键，等级分为“A B C D F”五个等级，A级是最高级别，很多印刷厂或广告公司制作A级条码时使用的方式经常是：将矢量格式的条形码导入到CDR或者Illustrator中排版印刷，这种做法识别等级不稳定。

03

Android开发笔记（七）初识Drawable

Android把所有显示出来的图形都抽象为Drawable（该单词意思就是“可绘制的”），这里的图形不只是图片，还包括色块、画板、背景等等。android.graphics.drawable源码目录下的drawable有十几种，博主就不一一介绍了，只说说一些常见的用法，以及容易弄错的地方。

04

语义分割新SOTA | 当UNet与HRNet碰撞会产生怎样的火花？U-HRNet不做选择！！！

密集的预测任务，包括语义分割和深度估计等，是视觉理解系统的重要组成部分。密集预测任务需要预测像素级类别标签或回归特定值，这比图像级预测任务更具挑战性。同时保持高分辨率和强语义信息是有效处理密集预测任务的关键。高分辨率可确保最终预测粒度尽可能接近像素级别，并可获得更精确的局部判别，例如更精确的边缘。强大的语义信息确保了整体预测的准确性，特别是对于难以区分或面积较大的实例。

02

用命令解决Ubuntu投影仪问题：

xrandr --output VGA --same-as LVDS --auto

01

【最佳实践】巡检项：实时音视频 (TRTC) Web SDK 终端版本分布情况

在部分设备的Chrome浏览器上，拉流端看到的画面会模糊，即使是设置较高分辨率和码率后，这种问题仍然没有改善。

05

全新SOTA骨干网络HIRI-ViT | 大力出奇迹，高分辨率+双路径设计，让Backbone卖力生产精度

受到自然语言处理（NLP）[1]中占主导地位的Transformer结构的启发，计算机视觉（CV）领域见证了Vision Transformer（ViT）在视觉 Backbone 设计上的崛起。这一趋势在图像/动作识别[2, 3, 4, 5]和密集预测任务（如目标检测[6]）中表现得最为明显。这些成功中的许多都可以归因于通过传统Transformer块中的自注意力机制对输入视觉token之间的长距离交互的灵活建模。最近，几项并行研究[7, 8, 9, 10, 11]指出，直接在视觉token序列上应用纯Transformer块是次优的。这种设计不可避免地缺乏对2D区域结构建模的正确感应偏差。为了缓解这一限制，它们引领了将卷积神经网络（CNN）的2D感应偏差注入ViT的新浪潮，产生了CNN+ViT混合 Backbone 。

01

【移动端网页布局】移动端网页布局基础概念 ⑤ ( 视网膜屏技术 | 二倍图概念 | 代码示例 )

PC 端和早期的移动端网页中 , CSS 中配置的 1 像素对应的就是物理屏幕中的 1 像素 ;

04

CVPR2020 | 即插即用！将双边超分辨率用于语义分割网络，提升图像分辨率的有效策略

论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Wang_Dual_Super-Resolution_Learning_for_Semantic_Segmentation_CVPR_2020_paper.pdf

03

超高分辨率显著目标检测，新颖高效的错层嫁接架构PGNet（CVPR2022）

最近基于深度学习的显著目标检测方法取得了出色的性能。然而现有的大多数方法多事基于低分辨率输入设计的，这些模型在高分辨率图片上的表现不尽人意，这是由于网络的采样深度和感受野范围之间的矛盾所导致的。

03

清华 & 阿里开源 ConvLLaVA | 替代 Vision Transformer，解决图像处理中 Token 过多问题！

大型多模态模型近年来取得了显著进展，在包括图像和视频理解、数字代理开发[53]和机器人技术[24]在内的多个领域表现出卓越性能。要理解和处理广泛任务和复杂场景的必要性凸显了视觉编码器的重要性，而视觉编码器主要是指Vision Transformer。然而，ViT的二次空间复杂性和过多的视觉标记输出限制了其在多样和高分辨率任务中的应用。过多的视觉标记导致大型语言模型的计算负担大幅增加，远远超过了视觉编码器中二次空间复杂度引起的计算成本。这种视觉标记的冗余不仅牺牲了效率，还阻碍了视觉信息的有效提取[31；11]。尽管提出了一系列方法（表1；[31；27；49]）来修正ViT的二次空间复杂度，但它们未能解决视觉标记冗余的关键问题[5；28]。

01

实时4K“image-to-image translation”，港理工&达摩院张磊团队提出拉普拉斯金字塔变换网络

paper: https://www4.comp.polyu.edu.hk/~cslzhang/paper/LPTN-cvpr21-paper.pdf

02

南京大学&港中文提出首个支持超高分辨率(10000x10000)图像风格迁移方案

本文提出一种非常简单的极限分辨率的风格迁移框架URST，首个可以处理任意高分辨率(比如

05

抠图只精细到头发丝还不够，Adobe新方法能处理6000×6000的高分辨率图像

很多深度学习方法实现了不错的抠图效果，但它们无法很好地处理高分辨率图像。而现实世界中需要使用抠图技术的图像通常是分辨率为 5000 × 5000 甚至更高的高分辨率图像。如何突破硬件限制，将抠图方法应用于高分辨率图像？来自 UIUC、Adobe 研究院和俄勒冈大学的研究者提出了一种新方法。

05

抠图只精细到头发丝还不够，Adobe新方法能处理6000×6000的高分辨率图像

抠图是图像和视频编辑与合成的关键技术。通常，深度学习方法会以整个输入图像和相关的 trimap 作为输入，使用卷积神经网络来推断前景蒙版（alpha matte）。这种方法在图像抠图领域实现了 SOTA 结果。但是，由于硬件限制，这些方法在实际的抠图应用中可能会失败，因为现实世界中需要抠图的输入图像大多具备很高的分辨率。

02

使用深度学习来实现超分辨率的介绍

超分辨率是从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程。由于较小的空间分辨率(即大小)或退化的结果(如模糊)，图像可能具有“较低的分辨率”。我们可以将HR图像和LR图像通过如下公式联系起来：LR = degradation(HR)`

04

使用深度学习来实现超分辨率的介绍

超分辨率是从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程。由于较小的空间分辨率(即大小)或退化的结果(如模糊)，图像可能具有“较低的分辨率”。我们可以将HR图像和LR图像通过如下公式联系起来：LR = degradation(HR)`

04

单图训GAN！如何改进SinGAN？

本文采用的是同时、端到端地进行多阶段训练，但这容易导致过拟合（作者指出减小低阶段的学习率可以在一定程度上缓解），也就是所生成的图像与训练图像几乎没有区别。

03

论文推送 | 动态多尺度特征的高分辨率三元组网络用于遥感影像变化检测

Xuan Hou, Yunpeng Bai, Ying Li, Changjing Shang, Qiang Shen

03

基于深度学习的图像超分辨率重建技术的研究

图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。

01

artcam2011教程_keil5中文版使用教程

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。 Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

03

CascadePSP：解决4K超高分辨率图像的分割，简单实用 | CVPR2020

论文地址：https://arxiv.org/pdf/1909.03402.pdf

04

Nat. Light | 深度学习在全息和相干成像中的应用

尽管全息相干成像显微镜存在着如无标记，无扫描3D成像等诸多优点，相对于其它的显微成像模式（如明场显微镜和荧光显微镜），全息显微成像仍旧存在一些问题，如复杂的相位重建迭代过程，噪音噪点，导致了它的使用范围并没有那么广泛。

04

生成高精细节，新方法AligNeRF解决NeRF对齐问题

机器之心报道机器之心编辑部与当前最先进的 NeRF 模型相比，AligNeRF 可以恢复更多的高频细节。虽然 NeRF 能够用不同视角的视图中渲染复杂的 3D 场景，但很少有人致力于探索其在高分辨率设置中的局限性。具体来说，现有的基于 NeRF 的方法在重建高分辨率的真实场景时面临着一些限制，包括大量的参数、未对齐的输入数据和过于平滑的细节。在 UC Austin、谷歌、香港中文大学等机构提出的一项新研究中，作者找到了相应的解决方案：1) 将多层感知器（MLP）与卷积层相结合，可以编码更多的邻域信息

04

最新iOS设计规范八｜3大图标和图像规范（Icons and Images)

iOS是运行于iPhone、iPad和iPod touch设备上、最常用的移动操作系统之一。作为互联网应用的开发者、产品经理、体验设计师，都应当理解并熟悉平台的设计规范。这有利于提高我们的工作效率，保证用户良好的体验。 iOS设计规范系列共10篇。本文是第8篇，介绍图标和图像（Icons and Images)。

02

StyleSwin: Transformer-based GAN for High-resolution Image Generation

尽管Transformer在广泛的视觉任务中取得了诱人的成功，但在高分辨率图像生成建模方面，Transformer还没有表现出与ConvNets同等的能力。在本文中，我们试图探索使用Transformer来构建用于高分辨率图像合成的生成对抗性网络。为此，我们认为局部注意力对于在计算效率和建模能力之间取得平衡至关重要。因此，所提出的生成器在基于风格的架构中采用了Swin Transformer。为了实现更大的感受野，我们提出了双重关注，它同时利用了局部窗口和偏移窗口的上下文，从而提高了生成质量。此外，我们表明，提供基于窗口的Transformer中丢失的绝对位置的知识极大地有利于生成质量。所提出的StyleSwan可扩展到高分辨率，粗糙的几何结构和精细的结构都得益于Transformer的强大表现力。然而，在高分辨率合成期间会出现块伪影，因为以块方式执行局部关注可能会破坏空间相干性。为了解决这个问题，我们实证研究了各种解决方案，其中我们发现使用小波鉴别器来检查频谱差异可以有效地抑制伪影。大量实验表明，它优于现有的基于Transformer的GANs，尤其是在高分辨率（例如1024×1024）方面。StyleWin在没有复杂训练策略的情况下，在CelebA HQ 1024上优于StyleGAN，在FFHQ-1024上实现了同等性能，证明了使用Transformer生成高分辨率图像的前景。

02

腾讯发布《2017中国移动游戏质量白皮书》，专注手游品质提升

引言1月8日，腾讯质量开放平台WeTest正式发布《2017中国移动游戏质量白皮书》。此次的《2017中国移动游戏质量白皮书》，分别从研发概况、市场硬件环境、兼容性、客户端/服务器端性能、安全现状、舆论口碑等多个层面，汇总中国移动游戏产品质量数据和趋势，最大程度展现手游研发质量现状。兼容性问题不容忽视，UI异常占比过半在兼容性问题方面，从2017版白皮书可知，较之往年，安装失败类问题的比重显著下降。在2017年，UI异常、APK Crash、无响应三大兼容性问题在安卓设备中最为突出，其中UI异常问

05

【Android从零单排系列三】《认识一下Android项目结构》

前两篇文章介绍了一下android发展的历史背景、android环境搭建，这篇文章和大家说一下android项目的目录结构及作用。

01

超分辨率重建开山之作——SRCNN

论文及代码地址：Learning a Deep Convolutional Network for Image Super-Resolution)

03

Towards Precise Supervision of Feature Super-Resolution

虽然最近基于proposal的CNN模型在目标检测方面取得了成功，但是由于小兴趣区域(small region of interest, RoI)所包含的信息有限且失真，小目标的检测仍然比较困难。解决这一问题的一种方法是使用超分辨率(SR)技术来增强小型roi的特性。我们研究如何提高级的超分辨率特别是对小目标检测,并发现它的性能可以显著提高了(我)利用适当的高分辨率目标特性作为SR的训练监督信号模型和(2)匹配输入的相对接受训练领域对低分辨率的特性和目标高分辨率特性。我们提出了一种新颖的特征级超分辨率方法，它不仅能正确地解决这两个问题，而且可以与任何基于特征池的检测器集成。在我们的实验中，我们的方法显著提高了Faster R-CNN在清华-腾讯100K、PASCAL VOC和MS COCO三个基准上的性能。对于小目标的改进是非常大的，令人鼓舞的是，对于中、大目标的改进也不是微不足道的。因此，我们在清华-腾讯100K上取得了最新的技术水平，在PASCAL VOC和MS COCO上取得了极具竞争力的成绩。

00

完美支持任意分辨率输入的Vision Transformer出现 | 4032×4032等超大分辨率性能完爆DeiT等模型

Transformer在自然语言处理（NLP）领域巨大的成功激发了计算机视觉（CV）社区内的相当大探索。特别是，视觉Transformer（ViTs）将图像分割为非重叠的块，将每个块投射成标记，然后应用多头自注意力（MHSA）来捕捉不同标记之间的依赖关系。得益于Transformer卓越的建模能力，ViTs在多样的视觉任务中取得了不错的结果，包括图像分类，目标检测，视觉-语言建模，甚至是视频识别。

01

抠图只精细到头发丝还不够，Adobe新方法能处理6000×6000的高分辨率图像

抠图是图像和视频编辑与合成的关键技术。通常，深度学习方法会以整个输入图像和相关的 trimap 作为输入，使用卷积神经网络来推断前景蒙版（alpha matte）。这种方法在图像抠图领域实现了 SOTA 结果。但是，由于硬件限制，这些方法在实际的抠图应用中可能会失败，因为现实世界中需要抠图的输入图像大多具备很高的分辨率。

04

CVPR 2022 ActivityNet竞赛冠军：中科院深圳先进院提出高低分双模态行为识别框架

来源：新智元本文约2400字，建议阅读10+分钟本文为CVPR 2022 ActivityNet竞赛冠军的方案详解，该方案主要解决真实监控场景下的低分辨率行为识别。前言安防监控是智慧城市的重要组成部分。然而，在城市监控场景下，行人目标往往距离摄像头远，所占像素小，这为理解目标的行为带来了很大挑战。为此，CVPR 2022 ActivityNet: Tiny Actions Challenge引入了TinyVIRAT低分辨率行为识别视频数据集。该数据集从监控摄像头上截取视频，没有包含任何人为的下采样和降

02

CVPR 2022 ActivityNet竞赛冠军：中科院深圳先进院提出高低分双模态行为识别框架

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号新智元授权导读】在CVPR 2022 ActivityNet: Tiny Actions Challenge赛道中，中国科学院深圳先进技术研究院多媒体中心在低分辨率视频行为识别任务的解决方案获得冠军。安防监控是智慧城市的重要组成部分。然而，在城市监控场景下，行人目标往往距离摄像头远，所占像素小，这为理解目标的行为带来了很大挑战。为此，CVPR 2022 ActivityNet: Tiny Actions Challenge引入了TinyVIRA

02

Mamba入局遥感图像分割 | Samba: 首个基于SSM的遥感高分图像语义分割框架

本文将为大家介绍来自西交利浦大学、澳大利亚科学与工业研究院矿物研究所以及利物浦大学联合提出的最新工作Samba，这是一种基于状态空间模型的遥感图像语义分割方法。该工作提出了高分辨率遥感图像的语义分割框架 Samba，性能指标均超越了CNN-based和ViT-based方法，证明了Mamba在遥感高分图像中作为新一代backbone的潜力，为遥感语义分割任务提供了 mamba-based 方法的表现基准。值得一提的是，Samba是第一个将状态空间模型（SSM）运用到遥感图像语义分割任务中的工作，代码已开源，欢迎关注。

01

CVPR 2022 ActivityNet竞赛冠军：中科院深圳先进院提出高低分双模态行为识别框架

---- 新智元报道编辑：好困【新智元导读】在CVPR 2022 ActivityNet: Tiny Actions Challenge赛道中，中国科学院深圳先进技术研究院多媒体中心在低分辨率视频行为识别任务的解决方案获得冠军。安防监控是智慧城市的重要组成部分。然而，在城市监控场景下，行人目标往往距离摄像头远，所占像素小，这为理解目标的行为带来了很大挑战。为此，CVPR 2022 ActivityNet: Tiny Actions Challenge引入了TinyVIRAT低分辨率行为识别

02

Android碎片化之屏幕适配

现如今，因Android系统的开放性，市场上出现了不同厂商出厂的各种android版本、分辨率、型号等设备。那对我们开发来说，碎片化绝对是一个让人头脑炸裂的问题，Android系统碎片化、Android机型屏幕尺寸碎片化、Android屏幕分辨率碎片化。市面上安卓手机的主流屏幕尺寸种类繁多，就算搞定了屏幕尺寸问题，各种分辨率又让人眼花缭乱。面对测试同学抛过来的适配问题，心肝肺都要颤一颤。今天我们就谈谈屏幕适配的解决步骤。

03

研一下学期

如果是求平均，那么是从左到右横向求平均；如果是拼接，那么也是左右横向拼接；如果是drop，那么也是横向发生变化，体现为列的减少。

03

ECCV2020 | EfficientFCN：语义分割中的整体引导解码器，巧妙捕获上下文信息

论文地址：http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710001.pdf

04

告别低分辨率网络，微软提出高分辨率深度神经网络HRNet | CVPR 2019

作者简介：孙可，中国科学技术大学信息学院在读博士生，目前在微软亚洲研究院视觉计算组实习，导师是王井东和肖斌老师。他的研究兴趣包括人体姿态估计、语义分割、图像分类等，曾在BMVC、ICCV、CVPR等国际顶级会议上发表过论文。

04

CVPR2021|用于立体匹配的可学习双边网格

高精度的实时立体匹配网络是时下研究的一个热点，它在自动驾驶、机器人导航和增强现实等领域中有着广泛的应用。虽然近年来对立体匹配网络的研究已经取得了显著的成果，但要同时兼顾实时性和高精度仍然是一个挑战。现有的高精度立体匹配网络，通常需要在较高的分辨率建立代价空间。比如，GANet在1/3分辨率建立代价空间，PSMNet在1/4分辨率，但这会影响网络的效率（GANet处理一对1242×375的图像，需要1.8s，PSMNet需要0.41s）。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭