具有显式代价聚合子架构的深度立体匹配
计算机视觉与模式识别
2018-01-15 v1
摘要
深度神经网络在立体匹配中已展现出优异性能。许多工作聚焦于匹配代价计算步骤中的特征提取与相似度度量，而对立体匹配至关重要的代价聚合关注较少。本文提出一种基于学习的立体匹配代价聚合方法，通过端到端可训练流程中一种新颖的子架构实现。我们将代价聚合重新表述为代价聚合候选的生成与选择的学习过程，这些候选表示可能的代价聚合结果。该代价聚合子架构由双流网络实现：一流用于生成代价聚合候选，另一流用于候选选择。选择准则由轻量卷积网络获得的低层结构信息决定。双流网络为代价聚合提供全局视角引导，以纠正匹配代价计算有限视野导致的错匹配值。在 KITTI 与 Scene Flow 等挑战性数据集上的综合实验表明，我们的方法优于当前最优方法。
引用
@article{arxiv.1801.04065,
title = {Deep Stereo Matching with Explicit Cost Aggregation Sub-Architecture},
author = {Lidong Yu and Yucheng Wang and Yuwei Wu and Yunde Jia},
journal= {arXiv preprint arXiv:1801.04065},
year = {2018}
}
备注
Accepted by AAAI18 as a spotlight poster