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

最新推荐文章于 2021-12-02 11:26:11 发布
最新推荐文章于 2021-12-02 11:26:11 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
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
论文那些事—Learning Deep Features for Discriminative Localization
shuweishuwei的博客
10-16 195
1、摘要/背景 论文主要针对图片中不同类别物体定位的弱监督学习问题，提出了基于分类网络的图片识别与定位。在分类模型中，卷积层本身带有物体定位功能，比如一个物体在左上角，那么卷积之后的结果 feature-map在左上角的值会比较大。但分类网络中都带有全连接层，它是将feature-map所有位置的信息综合之后输出，和物体的具体位置无关，只关心最后的分类结果。作者想到丢失物体位置信息就是因为网络末端使用了全连接层，通过使用GAP代替全连接层，从而使卷积网络的定位能力延续到网络的最后一层（GAP并不是本文提出
论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio
He_is_all的博客
02-17 4467
Abstract：对于针对同一问题，从来自多个域的数据中提取相关的且具有一般性以及鲁棒性的特征表示具有重大的意义，特别对于那些多重数据，因为其中仅仅单个数据集无法提供丰富变化的数据。本文就提出了利用CNN来学的深度特征表示的方法。关键的原理在于不同神经元对不同domain所学习得到的特征表示不同，有些是共享特征，有些只局限于特定的domain。基于这一重要的发现，文中提出了Domain Gui
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
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
跨域的两篇顶会论文的阅读笔记-PPT展示
最新发布
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 ...
【论文阅读笔记】《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》
longteng_guo的博客
07-17 453
《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》 Qi C R, Su H, Mo K, et al. Pointnet: Deep learning on point sets for 3d classification and segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Rec
【主动学习】论文笔记-Bayesian Generative Active Deep Learning
StatsChenXiaoshu的博客
07-28 1883
【主动学习】论文笔记-Bayesian Generativve Active Deep Learning一、解决的问题二、模型的框架：BALD挑选策略+VAE-ACGAN生成网络（1）Bayesian Active Learning by Disagreement（2）变分自编码器 (VAE, Variational Auto Encoder)（3）ACGAN（Auxiliary Classifier Generative Adversarial Network）（4）Bayesian Generative
Prior 、Posterior 和 Likelihood 的理解与几种表达方式
09-13 1万+
Prior 、Posterior 和 Likelihood 的理解与几种表达方式
论文阅读笔记《Learning for Disparity Estimation through Feature Constancy》
深视
05-23 3988
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...
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...
立体匹配
Sylvia Zhang的博客
08-24 1489
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、后验、似然、置信
Always On The Way
06-13 1445
先验、后验、似然、置信 样本(x,y)(x, y)(x,y)，xxx表示特征、yyy表示标签。 贝叶斯公式： p(x∣y)=p(y∣x)p(x)p(y)p(x | y) = \frac{p(y | x)p(x)}{p(y)}p(x∣y)=p(y)p(y∣x)p(x)​ p(x∣y)p(x | y)p(x∣y)：后验概率（posterior） p(y∣x)p(y | x)p(y∣x)：似然（like...
概率论：先验与后验与似然
goodmorning2014的博客
10-23 6696
1.我自己的理解       1.1 从时间角度理解：     a.先验：根据以往的经验或者常识，总结当前事情发生某种结果的概率，又或者说是没有根据当前的事实，而只是对以往理论的研究进行推导，类似于选举中，专家在没有对当前大选进行调查就直接通过以往历任候选人的特点来分析推导给出当前的某人A中选的概率。     b.后验：根据当前的事情的观察（证据、原因），推断分析当前事情发生某种结果的概率...
先验分布与后验分布，认真看看这篇
热门推荐
算法channel
09-25 1万+
此文主要参考 huaxiaozhuan.com编辑: Python与算法社区 公众号在贝叶斯学派中，先验分布+数据（似然）= 后验分布。例如：假设需要识别一大箱苹果中的...
深入理解ResNet 到 IResNet
程序客栈
04-28 3727
论文链接： https:// arxiv.org/abs/2004.0498 9 代码链接： https:// github.com/iduta/iresne t ...
"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