面向深度立体回归的几何与上下文端到端学习
计算机视觉与模式识别
2017-03-14 v1 神经与进化计算
摘要
我们提出了一种新颖的深度学习架构，用于从校正后的立体图像对回归视差。我们利用问题几何的先验知识，使用深度特征表示形成代价体。我们学习通过在该代价体上进行三维卷积来整合上下文信息。视差值通过一种提出的可微soft argmin操作从代价体中回归，这使我们能够端到端地训练我们的方法达到亚像素精度，无需任何额外的后处理或正则化。我们在Scene Flow和KITTI数据集上评估了我们的方法，在KITTI上我们设立了新的最先进基准，同时比竞争方法快得多。
引用
@article{arxiv.1703.04309,
title = {End-to-End Learning of Geometry and Context for Deep Stereo Regression},
author = {Alex Kendall and Hayk Martirosyan and Saumitro Dasgupta and Peter Henry and Ryan Kennedy and Abraham Bachrach and Adam Bry},
journal= {arXiv preprint arXiv:1703.04309},
year = {2017}
}