FADNet：一种快速准确的视差估计网络
计算机视觉与模式识别
2020-03-25 v1 机器学习
摘要
深度神经网络（DNNs）在计算机视觉领域取得了巨大成功。视差估计问题正趋于由 DNNs 解决，其在立体匹配中的预测精度远优于传统基于手工特征的方法。然而一方面，所设计的 DNNs 需要大量内存与计算资源以准确预测视差，尤其是那些基于 3D 卷积的网络，难以部署于实时应用。另一方面，现有计算高效网络在大规模数据集上缺乏表达能力，从而在诸多场景中无法准确预测。为此，我们提出一种高效准确的深度视差估计网络 FADNet，具备三大主要特征：1）利用高效的基于 2D 的关联层与堆叠块以保持快速计算；2）结合残差结构使更深模型更易学习；3）包含多尺度预测，从而采用多尺度权重调度训练技术提升精度。我们在两个流行数据集 Scene Flow 与 KITTI 2015 上实验以证明 FADNet 的有效性。实验结果表明，FADNet 取得了 SOTA 预测精度，且运行速度比现有 3D 模型快一个显著的数量级。FADNet 代码可在 https://github.com/HKBU-HPML/FADNet 获取。
引用
@article{arxiv.2003.10758,
title = {FADNet: A Fast and Accurate Network for Disparity Estimation},
author = {Qiang Wang and Shaohuai Shi and Shizhen Zheng and Kaiyong Zhao and Xiaowen Chu},
journal= {arXiv preprint arXiv:2003.10758},
year = {2020}
}