GA-Net：用于端到端立体匹配的引导聚合网络
计算机视觉与模式识别
2019-04-16 v1
摘要
在立体匹配任务中，为了准确估计视差，匹配代价聚合在传统方法和深度神经网络模型中均至关重要。我们提出两个新颖的神经网络层，分别旨在捕获局部与全图像代价依赖关系。其一是半全局聚合层，它是半全局匹配的可微分近似；其二是局部引导聚合层，遵循传统代价滤波策略以细化薄结构。这两层可用来替代广泛使用的 3D 卷积层，后者因具有三次计算/内存复杂度而计算昂贵且耗内存。实验中，我们展示了带两层引导聚合块的网络轻松优于具有十九个 3D 卷积层的最优 GC-Net。我们还训练了一个深度引导聚合网络（GA-Net），在 Scene Flow 数据集与 KITTI 基准上均取得比最优方法更好的精度。
引用
@article{arxiv.1904.06587,
title = {GA-Net: Guided Aggregation Net for End-to-end Stereo Matching},
author = {Feihu Zhang and Victor Prisacariu and Ruigang Yang and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1904.06587},
year = {2019}
}
备注
CVPR 2019 (Oral Presentation)