用于跨域泛化的匹配空间立体网络
计算机视觉与模式识别
2020-10-16 v1
摘要
端到端深度网络代表了立体匹配的最先进水平。虽然在框定与训练集相似环境的图像上表现优异，但在未见域（例如从合成场景移至真实场景时）精度会出现大幅下降。本文中我们引入一类新颖架构，即匹配空间网络（MS-Nets），其具有改进的泛化特性。通过以常规方法中的匹配函数与置信度度量替代基于学习的从图像RGB值提取特征，我们将学习过程从颜色空间移至匹配空间，避免对域特定特征的过度专门化。在四个真实数据集上的广泛实验结果表明，相较于传统深度架构，我们的方案对未见环境具有更优的泛化能力，且在源域上保持精度几乎不变。我们的代码可在 https://github.com/ccj5351/MS-Nets 获取。
引用
@article{arxiv.2010.07347,
title = {Matching-space Stereo Networks for Cross-domain Generalization},
author = {Changjiang Cai and Matteo Poggi and Stefano Mattoccia and Philippos Mordohai},
journal= {arXiv preprint arXiv:2010.07347},
year = {2020}
}
备注
14 pages, 8 figures, International Conference on 3D Vision (3DV'2020), Github code at https://github.com/ccj5351/MS-Nets