基于概率深度学习的端到端密集立体匹配不确定性估计
计算机视觉与模式识别
2020-02-11 v1
摘要
受识别错误视差分配需求的推动，近年来提出了多种用于密集立体匹配不确定性与置信度估计的方法。如同许多其他领域，尤其是基于深度学习的方法已展现出令人信服的结果。然而，这些方法大多仅对数据中包含的不确定性建模，而忽略了所采用密集立体匹配过程的不确定性。若训练数据域与待处理数据域不同，额外对后者建模则尤为有益。为此，本工作首次将概率深度学习的思想应用于密集立体匹配任务。基于广为人知且常用的 GC-Net 架构，我们提出一种新颖的概率神经网络，用于从极线校正立体图像对中进行联合深度与不确定性估计。所提概率神经网络不直接学习网络参数，而是学习一个概率分布，从中为每次预测采样参数。同一图像对上多次此类预测间的差异可用于近似模型不确定性。所估计深度与不确定性信息的质量在三个不同数据集的广泛评估中得以检验。
引用
@article{arxiv.2002.03663,
title = {Uncertainty Estimation for End-To-End Learned Dense Stereo Matching via Probabilistic Deep Learning},
author = {Max Mehltretter},
journal= {arXiv preprint arXiv:2002.03663},
year = {2020}
}