基于CNN的代价体分析作为稠密匹配中的置信度度量
计算机视觉与模式识别
2019-11-06 v2
摘要
由于能够在稠密立体匹配中识别错误的视差赋值，置信度估计对一系列广泛应用（例如需要高置信度作为强制性前提的自动驾驶）十分有益。特别是，近年来深度学习方法的应用使得该领域日益流行，因其精度显著提升。尽管取得了显著进展，此类方法大多仅依赖从视差图学习的特征，未考虑对应的三维代价体。然而，已有研究表明，基于手工特征的传统方法可利用这一附加信息进一步提高精度。为结合深度学习与基于代价体的特征的优势，本文提出一种新颖的卷积神经网络（CNN）架构，直接从三维体数据学习用于置信度估计的特征。在三个数据集上使用三种常见稠密立体匹配技术进行的广泛评估，证明了所提方法的通用性与最先进（state-of-the-art）精度。
引用
@article{arxiv.1905.07287,
title = {CNN-based Cost Volume Analysis as Confidence Measure for Dense Matching},
author = {Max Mehltretter and Christian Heipke},
journal= {arXiv preprint arXiv:1905.07287},
year = {2019}
}
备注
The IEEE International Conference on Computer Vision (ICCV) Workshops (2019)