学习自适应以用于立体匹配
计算机视觉与模式识别
2019-08-09 v1
摘要
立体深度估计的实际应用要求模型对环境中的动态变化具有鲁棒性。尽管基于深度学习的立体方法取得了成功，但它们往往难以泛化到环境中未见过的变化，使其在自动驾驶等实际应用中适用性较差。在本工作中，我们引入了一种“学习自适应”框架，使深度立体方法能够以无监督方式持续适应新的目标域。具体而言，我们的方法将自适应过程纳入学习目标中，以获得一组更适合无监督在线自适应的基础参数。为了进一步提高自适应质量，我们学习了一种置信度度量，可有效掩盖无监督自适应过程中引入的误差。我们在合成与真实世界立体数据集上评估了我们的方法，实验证据表明学习自适应确实有益于在差异极大的域上进行在线自适应。
引用
@article{arxiv.1904.02957,
title = {Learning to Adapt for Stereo},
author = {Alessio Tonioni and Oscar Rahnama and Thomas Joy and Luigi Di Stefano and Thalaiyasingam Ajanthan and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1904.02957},
year = {2019}
}
备注
Accepted at CVPR2019. Code available at https://github.com/CVLAB-Unibo/Learning2AdaptForStereo