利用 Constant Highway 网络与反射置信度学习改进立体匹配
计算机视觉与模式识别
2017-01-03 v1
摘要
我们提出了一种用于立体匹配问题的改进三步流水线，并在每个阶段引入了多项创新。我们提出了一种新的 highway 网络架构，用于计算每个可能视差处的匹配代价，该架构基于多级加权残差捷径，并使用支持图像块多级比较的混合损失进行训练。随后引入了一种新颖的后处理步骤，该步骤采用第二个深度卷积神经网络从多个视差中池化全局信息。该网络同时输出图像视差图（取代传统的“赢家通吃”策略）和预测的置信度。置信度得分是通过使用一种我们称之为反射损失的新技术训练网络而获得的。最后，在精细化步骤中利用学习到的置信度以更好地检测离群点。所提出的流水线在最大且最具竞争性的立体匹配基准上达到了 SOTA (state of the art) 精度，并且学习到的置信度被证明优于所有现有方法。
引用
@article{arxiv.1701.00165,
title = {Improved Stereo Matching with Constant Highway Networks and Reflective Confidence Learning},
author = {Amit Shaked and Lior Wolf},
journal= {arXiv preprint arXiv:1701.00165},
year = {2017}
}