用于立体匹配的端到端多尺度卷积神经网络学习
计算机视觉与模式识别
2019-06-26 v1
摘要
深度神经网络在立体匹配任务中表现出优异性能。近来基于CNN的方法表明立体匹配可表述为监督学习任务。然而，对上下文语义信息与细节的融合关注较少。为解决此问题，我们提出一种基于丰富上下文细节与语义信息的视差估计网络，称为多尺度特征网络（MSFNet）。首先，我们设计新结构，通过融合多尺度特征来编码丰富语义信息与细粒度细节，并结合逐元素加法与拼接的优势，有利于将语义信息与细节合并。其次，引入引导机制，使网络自动聚焦于不可靠区域。第三，我们将一致性检查表述为误差图，由具有细粒度细节的低层阶段特征获得。最后，我们采用左特征与合成左特征之间的一致性检查来精炼初始视差。在Scene Flow与KITTI 2015基准上的实验表明，所提方法可达到最先进性能。
引用
@article{arxiv.1906.10399,
title = {End-to-End Learning of Multi-scale Convolutional Neural Network for Stereo Matching},
author = {Li Zhang and Quanhong Wang and Haihua Lu and Yong Zhao},
journal= {arXiv preprint arXiv:1906.10399},
year = {2019}
}
备注
16 pages, 4 figures,Asian Conference on Machine Learning(ACML)2018