实时稠密立体匹配的代价体聚合端到端学习
计算机视觉与模式识别
2016-11-18 v1
摘要
我们提出了一种基于深度学习的新方法用于稠密立体匹配。与之前工作相比，我们的方法不使用像素外观描述符的深度学习，而是采用非常快速的传统匹配分数。同时，我们的方法使用深度卷积网络来预测代价体聚合过程的局部参数，本文中我们使用可微域变换实现该过程。通过将这种变换视为循环神经网络，我们能够训练包含代价体计算、代价体聚合（平滑）以及赢者通吃视差选择在内的整个系统端到端。所得方法在测试时效率很高，同时取得了良好的匹配精度。在KITTI 2015基准上，它实现了6.34\%的错误率，同时在现代GPU上以29 frames per second的速率运行。
引用
@article{arxiv.1611.05689,
title = {End-to-end Learning of Cost-Volume Aggregation for Real-time Dense Stereo},
author = {Andrey Kuzmin and Dmitry Mikushin and Victor Lempitsky},
journal= {arXiv preprint arXiv:1611.05689},
year = {2016}
}