上一篇文章85. 三维重建20-立体匹配16,端到端立体匹配深度学习网络之视差计算我们讲了端到端深度学习网络中视差计算的方法,我们看到应用到端到端立体匹配时,视差计算也是有不少讲究的。我还提到,要想进一步提升视差图的准确度,应该通过网络的其他模块配合完成。那么今天我们就来讲一讲,如何来获得高分辨率的视差图,这个问题对我自己也非常重要,因为我最近也正在处理高帧率高分辨率视频立体匹配的问题。
我们已经通过多篇文章讲解了端到端的立体匹配模型的各种细节问题,不过还没有回答一个问题:这样的模型如何训练?那么这一篇文章就来谈论这个问题。
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)。
AI 科技评论按:CVPR 2019 已于 6 月 16 日至 20 日在美国加利福利亚州长滩市盛大举办,吸引了超过万人参加,AI 科技评论的记者也前往现场为大家带来了精彩的大会报道。作为工业界的学术实力干将之一,Facebook AI 研究院在本次大会上的成果也备受瞩目。而 Facebook AI 研究院也对自己今年的战绩进行了统计:共有 37 篇论文被收录,其中包括 15 篇 Oral 论文。下面就让我们一起来看看这些成果吧。
在我的上一篇文章83. 三维重建18-立体匹配14,端到端立体匹配深度学习网络之特征计算中,我为你介绍了基于深度学习的立体匹配算法的最新思想:端到端的立体匹配网络。具体来说我提到这类网络有两类形式:
领取专属 10元无门槛券
手把手带您无忧上云