Q总结 近日论文涉及知识点简要梳理

本文简要梳理了近期阅读论文中的关键知识点,包括半全局块匹配SGBM在立体视觉中的应用,损失聚合方法,Vanilla CNN,Transformer的工作原理,以及注意力机制在深度学习中的作用。还探讨了空间频域成像SFDI、结构光技术和Vit在图像识别领域的进展。
摘要由CSDN通过智能技术生成

读论文太慢 精细与速度不可兼得

总结所读涉及知识点:

1、半全局块匹配SGBM

2、立体视觉三维重建

3、VanillaCNN

4、Transformer

5、空间频域成像SFDI&结构光技术

6、注意力机制

7、Vit

1、半全局块匹配SGBM

H Hirschmüller. Stereo Processing by Semiglobal Matching and Mutual Information[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 30.

在OpenCV里有一些算法,半全局块匹配(Semi-Global Block Matching,SGBM)算法具有视差效果好速度快的特点,故常被广泛应用

1.1 计算每个像素点的代价

利用互信息熵

熵,是用来表示随机变量的不确定性,熵的值越大,信息的不确定性也越大。熵H和互信息MI的定义分别如下:

熵H的定义

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

HelloWorld__来都来了

来都来了 福寿双全

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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