论文阅读笔记之《Learning Deep Correspondence through Prior and Posterior Feature Constancy》

最新推荐文章于 2024-06-21 09:49:06 发布
最新推荐文章于 2024-06-21 09:49:06 发布
阅读量1.6k 收藏 4
点赞数
分类专栏： 立体匹配 文章标签： 双目视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/G_Dragon_Li/article/details/78919230
版权
本文详细介绍了论文《Learning Deep Correspondence through Prior and Posterior Feature Constancy》的主要贡献，重点解析了iResNet-i2e2网络结构，包括多尺度特征提取、初始化视差估计和视差优化子网络的贝叶斯推理过程，该网络在KITTI2015上表现出色。
摘要由CSDN通过智能技术生成

本篇博客记录一下最近看的一篇KITTI2015上排名第二的网络结构iResNet-i2e2

一 、论文贡献

论文中和前期网络最大的不同点在于：已存在的方法是使用多网络任务去完成立体匹配中的不同的步骤

在该论文中，总结了三个贡献：

  • 将立体匹配的四个步骤都集成到了一个网络中，这样有效的提高了精确度和其效率；
  • 将视差优化构想为使用特征稳定性来进行贝叶斯推理的过程；
  • 在KITTI的基准上实现了最先进技术的表现。

如果有看过CRL网络结构的博友会发现，iResNet-i2e2网络中视差优化部分是生成一个残差，将该残差与初始化视差相加得到最终的视差图，其实这个大的思路和CRL是相近的，CRL利用DispFullNet产生初始化视差，然后通过DispResNet产生残差，两者相加的结果作为最后的视差图。但是很大的不同在于，CRL是两个网络，而iResNet-i2e2中仅有一个单独的网络；而且两者对残差的计算方式不同。

二 、基础知识

a. 贝叶斯推导

贝叶斯公式是建

最低0.47元/天 解锁文章
当天上星河转
关注
专栏目录
iResNet.pptx
04-22
对iResnet论文的理解和总结，可以让大家更好的了解最新的iresnet结构，以及其中的优点，包括作者对iResnet结构的自身理解
论文笔记《Learning Deep Correspondence through Prior and Posterior Feature Constancy》
luxiaohai学习专栏
12-25 2415
摘要 介绍 相关工作 本论文方法 1 用于多尺度特征提取的茎块 2 初始视差估计子网络 3 视差精细化子网络 4 迭代精细化 实验 1 脱离实验 2 测试基准结果 总结 参考文献摘要立体匹配算法通常由四步组成：代价计算、代价聚合、视差计算和视差精细化。现有的基于CNN的立体匹配方法仅仅采用CNN来解决四步中的部分，或者使用不同的网络来处理不同的步骤，这使得它们很难获得全局最优的解决方案。这篇论文提
先验、后验、似然、置信的理解
氢键H-H
11-11 1万+
先验、后验、似然、置信的理解
推荐项目：深度学习视差估计利器——iResNet
最新发布
gitblog_00075的博客
06-21 312
推荐项目：深度学习视差估计利器——iResNet 项目地址:https://gitcode.com/leonzfa/iResNet 在计算机视觉领域，精确的视差估算对于三维重建、增强现实等应用至关重要。今天，我们要向您推荐一个强大的开源工具——iResNet。该项目基于论文《通过特征一致性学习视差估计》(Learning for Disparity Estimation through Featu...
机器学习中的先验、后验和似然
雕刻刀
02-11 3365
机器学习中的先验、后验和似然
论文阅读笔记《Learning for Disparity Estimation through Feature Constancy》
深视
05-23 3985
0. 摘要   立体匹配算法通常由四个部分组成，包括：匹配代价计算，代价聚合，视差计算和视差优化。现有的基于CNN 的方法知识采用CNN解决了这四步中的一部分，或者使用不同的网络处理不同的步骤，使得它们很难获得整体的最优化结果。在这篇文章中，我们提出了一种网络结构将立体匹配的所有步骤结合起来。这个网络由三部分构成。第一部分计算多尺度下的共享特征（即从左右两幅图中按共享权值的方法提取特征）。第二部...
跨域的两篇顶会论文的阅读笔记-PPT展示
04-17
这篇阅读笔记涵盖了两篇关于跨域问题的顶会论文，一篇是关于跨域人群计数的"Bi-level Alignment for Cross-Domain Crowd Counting"，另一篇是关于迁移学习的"Few-shot Image Generation via Cross-domain ...
ROML_Code_Data.rar_E1H_ROML code_correspondence_feature matching
07-14
Kui Jia 在2016年发表在 International Journal of Computer Vision (IJCV) 计算机视觉顶级期刊上的文章《ROML: A Robust Feature Correspondence Approach for Matching Objects in A Set of Images》 的代码。
GMS-Feature-Correspondence:GMS特征对应算法的C ++实现
05-10
GMS：基于网格的运动统计信息，可实现快速，超鲁棒的功能对应 Bian等人C ++实现。 基于网格的运动统计是一种通过运动平滑封装来改善特征匹配质量的方法。 基于ORB特征匹配，平滑度约束表示为每个单元格匹配频率的...
Correspondence of constructs measured by the kindergarten screening inventory by sex and ethnic group
06-29
Correspondence of constructs measured by the kindergarten screening inventory by sex and ethnic group CORRESPONDENCE OF CONSTRUCTS MEASURED BY THE KINDERGARTEN SCREENING INVENTORY BY SEX AND ...
New fractional entangling transform and its quantum mechanical correspondence
03-03
The operator is actually an entangled one in quantum optics and differs evidently from the separable operator, exp{iθ(a+a++b+b)}, of complex fractional Fourier transformation. The additivity ...
论文阅读笔记之——《Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting》
gwpscut的博客
06-21 4023
开篇先放张图片。虽然我之前没有了解过inpainting的任务，但是感觉能做得效果如此好，真的非常厉害了。至少人眼没那么容易区分出修补的部分 In this paper, we propose a Pyramid-context ENcoder Network (PEN-Net) for image inpainting by deep generative models. we prop...
Prior 、Posterior 和 Likelihood 的理解与几种表达方式
热门推荐
09-13 1万+
Prior 、Posterior 和 Likelihood 的理解与几种表达方式
立体匹配
Sylvia Zhang的博客
08-24 1487
本篇文章采用超级通俗的说话来解释很多初学者疑问的概念。
SDM人脸对齐算法研究
Sylvia Zhang的博客
08-15 3859
人脸对齐的目的是对人脸进行归一化，工作核心是定位面部关键点。本博客中讨论的SDM是一种人脸对齐的优化算法。利用SIFT算法计算人脸关键点处的特征点描述子，在训练过程中学习多组特征点集的下降方向，使得初始化的特征点集向标记特
先验模型也能用后验特征？
爱吃火锅的博客
12-02 1910
前言 在我们平常开发模型的时候，实际上线下和线上的模型能够使用的特征是有gap的，比如我们开发一个CVR模型（预测用户点击商品后购买的概率），线下模型可以根据日志使用用户点击后的一些后验特征，比如用户在该商品页面停留的时间，查看评论，收藏等等。 但是线上模型不可能实时获得这些特征，因为我们的预测任务是要发生在这些后验动作之前的，而这些特征其实对CVR模型预测又是至关重要的，一个直观的感受就是用户停留在页面的时间越长，大概率就会购买。 那么怎么能够很好的利用上这些特征呢？已有的一些工作采取了单独增加一个
CRL级联残差学习
Chinese_OG的博客
04-22 689
Cascade Residual Learning级联残差学习 与DispNetC类似，本论文提出的CNN的第一阶段有一个带跳跃连接的沙漏结构。然而，DispNetC输出输入立体图像的半分辨率视差图像。而本论文的网络利用了额外的反卷积模块来放大视差，因此获得与输入图像具有相同尺寸的视差图。第一阶段的网络叫做DispFulNet（Ful表示全分辨率）。DispFulNet在目标的边界提供额外的细节和尖锐的转变，为第二阶段的精细化提供了一个理想的起点。 在本来论文的网络中，第一阶段和第二阶段的堆叠方式同
"跨域人群计数的自适应方法及实验研究-论文阅读笔记PPT展示
根据提供的内容，下面是一段对两篇顶会论文的阅读笔记的综述： 本次PPT展示主要介绍了两篇顶会论文，分别是《Bi-level Alignment for Cross-Domain Crowd Counting》和《Few-shot Image Generation via Cross-...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值