DDCNet：用于稠密预测的深层扩张卷积神经网络
计算机视觉与模式识别
2023-11-02 v1
摘要
光流与视差估计等稠密像素匹配问题是计算机视觉中最具挑战性的任务之一。近来，若干针对这些问题设计的深度学习方法已取得成效。网络内足够大的有效感受野（ERF）与较高的空间特征分辨率对于提供更高分辨率的稠密估计至关重要。本工作中，我们提出一种系统性设计网络架构的方法，可在保持较高空间特征分辨率的同时提供更大的感受野。为获得更大 ERF，我们采用了扩张卷积层。通过在更深层激进地增大扩张率，我们以显著更少的训练参数实现了足够大的 ERF。我们以光流估计问题作为主要基准来阐释我们的网络设计策略。基准结果（Sintel、KITTI 与 Middlebury）表明，我们的紧凑网络在轻量级网络类别中可达到相当的性能。
引用
@article{arxiv.2107.04715,
title = {DDCNet: Deep Dilated Convolutional Neural Network for Dense Prediction},
author = {Ali Salehi and Madhusudhanan Balasubramanian},
journal= {arXiv preprint arXiv:2107.04715},
year = {2023}
}
备注
32 pages, 13 figures, 3 tables