SAda-Net：一种用于遥感图像数据的自监督自适应立体视估计 CNN
计算机视觉与模式识别
2024-10-18 v1 机器学习
摘要
近年来，随着深度学习的引入，立体视估计取得了许多进展。然而，传统的监督式深度学习方法需要创建准确且数据丰富的ground-truth数据，这种数据昂贵且在许多情况下难以获得。这一问题在遥感应用中尤为突出，由于该领域拥有大量可用数据但缺乏有效的ground-truth。为解决此问题，我们提出一种具备自我改进自适应能力的自监督CNN。在首次迭代中，生成的视差图不准确且噪声较大。通过利用左右一致性检查，我们获得稀疏但更准确的视差图，用作初始伪ground-truth。该伪ground-truth在网络训练的每个epoch后进行适应和更新。我们使用不一致点之和来跟踪网络收敛。本方法的代码已公开于：https://github.com/thedodo/SAda-Net
引用
@article{arxiv.2410.13500,
title = {SAda-Net: A Self-Supervised Adaptive Stereo Estimation CNN For Remote Sensing Image Data},
author = {Dominik Hirner and Friedrich Fraundorfer},
journal= {arXiv preprint arXiv:2410.13500},
year = {2024}
}
备注
Will be presented at ICPR2024 in December 2024 in Kolkata, India