FC-DCNN：一种用于立体匹配的密集连接神经网络
计算机视觉与模式识别
2020-10-15 v1
摘要
我们提出了一种用于立体匹配的轻量级新颖网络。我们的网络由一个全卷积密集连接神经网络（FC-DCNN）组成，该网络计算校正图像对之间的匹配代价。我们的 FC-DCNN 方法学习具有表现力的特征，并执行一些简单但有效的后处理步骤。密集连接层结构将每一层的输出连接到后续每一层的输入。这种网络结构以及我们不使用任何全连接层或 3D 卷积的事实，使得网络非常轻量。该网络的输出被用于计算匹配代价并构建代价体。为了改善结果，我们没有使用如半全局匹配或条件随机场等耗时且耗内存的代价聚合方法，而是依赖于滤波技术，即中值滤波和引导滤波。通过计算左右一致性检查，我们剔除了不一致的值。随后，我们在去除了不一致性的视差图像上使用分水岭前景-背景分割。该掩码随后被用于细化最终预测。我们通过分别在 Middlebury、KITTI 和 ETH3D 基准上评估，表明我们的方法在具有挑战性的室内和室外场景中均表现良好。我们的完整框架可在 https://github.com/thedodo/FC-DCNN 获取。
引用
@article{arxiv.2010.06950,
title = {FC-DCNN: A densely connected neural network for stereo estimation},
author = {Dominik Hirner and Friedrich Fraundorfer},
journal= {arXiv preprint arXiv:2010.06950},
year = {2020}
}
备注
This paper has been accepted to the ICPR 2020 conference in Milan which will be held on the 10-15 January 2021. Therefore this work has not yet been presented