卷积神经网络(CNN)在立体匹配重建、图像识别和语音识别等领域展现出优势。福岛邦彦最早提出类似CNN的Neocognitron架构。CNN的主要特点是参数共享和池化操作，适用于处理结构化数据，如图像和声音。与前馈神经网络和BP神经网络相比，CNN具有表征学习能力，常用于图像识别、物体识别等。尽管学习速度较慢，易陷入局部极小值，但其在深度学习中扮演着重要角色。
卷积神经网络 有哪些改进的地方
卷积神经网络的研究的最新进展引发了人们完善立体匹配重建热情。从概念看，基于学习算法能够捕获全局的语义信息，比如基于高光和反射的先验条件，便于得到更加稳健的匹配。
目前已经探求一些两视图立体匹配，用神经网络替换手工设计的相似性度量或正则化方法。这些方法展现出更好的结果，并且逐步超过立体匹配领域的传统方法。
事实上，立体匹配任务完全适合使用CNN，因为图像对是已经过修正过的，因此立体匹配问题转化为水平方向上逐像素的视差估计。
与双目立体匹配不同的是，MVS的输入是任意数目的视图，这是深度学习方法需要解决的一个棘手的问题。
而且只有很少的工作意识到该问题，比如SurfaceNet事先重建彩色体素立方体，将所有像素的颜色信息和相机参数构成一个3D代价体，所构成的3D代价体即为网络的输入。
然而受限于3D代价体巨大的内存消耗，SurfaceNet网络的规模很难增大：SurfaceNet运用了一个启发式的“分而治之”的策略，对于大规模重建场景则需要花费很长的时间。
谷歌人工智能写作项目：神经网络伪原创
卷积神经网络主要做什么用的？
卷积网络的特点主要是卷积核参数共享，池化操作AI发猫。
参数共享的话的话是因为像图片等结构化的数据在不同的区域可能会存在相同的特征，那么就可以把卷积核作为detector
最低0.47元/天 解锁文章
4329
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
