基于 Cayley 表示的可学习代价体
计算机视觉与模式识别
2020-07-23 v1
摘要
代价体是近期光流估计深度模型的关键组件，通常通过对两个特征向量计算内积来构造。然而，常用代价体中的标准内积可能限制流模型的表示能力，因为它忽略了不同通道维度间的相关性且对每一维度等量加权。为解决此问题，我们提出使用椭圆内积的可学习代价体 (LCV)，其通过正定核矩阵推广了标准内积。为保证其正定性，我们对核矩阵进行谱分解并通过 Cayley 表示重新参数化。所提 LCV 是一个轻量模块，可轻松插入现有模型以替换原始代价体。实验结果表明，LCV 模块不仅提升了最先进模型在标准基准上的精度，还增强了它们对输入信号的光照变化、噪声及对抗扰动的鲁棒性。
引用
@article{arxiv.2007.11431,
title = {Learnable Cost Volume Using the Cayley Representation},
author = {Taihong Xiao and Jinwei Yuan and Deqing Sun and Qifei Wang and Xin-Yu Zhang and Kehan Xu and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2007.11431},
year = {2020}
}
备注
ECCV 2020