用于优化三维立体网络的可分离卷积

基于深度学习的三维立体网络相比二维网络和传统立体方法具有更优越的性能。然而，这种性能提升是以增加计算复杂度为代价的，使得这些网络在实际应用中不切实际。具体而言，这些网络使用三维卷积作为细化和回归视差的主要工具。在本工作中，我们首先表明，立体网络中的这些三维卷积消耗了高达94%的整体网络运算量，并成为主要瓶颈。接着，我们提出了一组“即插即用”的可分离卷积，以减少参数和运算量。当与现有的最先进立体网络集成时，这些卷积在不牺牲性能的前提下，使运算量最多减少7倍，参数最多减少3.5倍。事实上，在大多数情况下，这些卷积还带来了性能的提升。