面向航空影像立体重建的自监督学习
计算机视觉与模式识别
2019-07-30 v1
摘要
近期的发展确立深度学习为提升稠密匹配与立体估计性能不可或缺的工具。不利的一面是，这些网络的学习需要大量训练数据才能成功。因此，这些模型在实验室之外的应用远非直截了当。在本工作中，我们提出一种自监督训练流程，使我们能够在不依赖外部真值数据的情况下，使网络适应手头数据集的特定(成像)特征。我们改为通过在整组数据上运行中间网络来生成临时训练数据，随后进行保守的离群值滤波。从我们混合 CNN-CRF 模型的预训练版本引导启动，我们交替进行训练数据生成与网络训练。凭借这一简单思路，我们能够显著提升预训练版本的完备性与精度。我们还表明，在航空数据集上，我们的最终模型优于其他流行的立体估计算法。
引用
@article{arxiv.1907.12446,
title = {Self-Supervised Learning for Stereo Reconstruction on Aerial Images},
author = {Patrick Knöbelreiter and Christoph Vogel and Thomas Pock},
journal= {arXiv preprint arXiv:1907.12446},
year = {2019}
}
备注
Symposium Prize Paper Award @IGARSS 2018