论文阅读《Cascade Residual Learning: A Two-stage Convolutional Neural Network for Stereo Matching》

Cascade residual learning  (两阶段)

Problem: 不适定区域(目标遮挡、重复纹理、无纹理等)难以产生高质量的视差

 

贡献:

  1. DispNet + up-conv 恢复到全分辨率输出,使视差图像包含更多细节
  2. 校正初始视差(多规模残差学习机制提供更多有效的优化)

Tip: 直接学习残差信号比直接学习视差更容易

 

改进: 非一个个堆积残差块,残差信号不能直接监督,用多规模的残差学习机制,学习ground-truth与初始视差的差异来监督残差信号

 

特点:

  1. End-to-end
  2. 集成传统pipeline(匹配代价计算、代价聚合、视差计算、视差优化)

 

 

Stage 1:

对Dispnet的改进:额外的反卷积使视差图恢复到输入图大小的分辨率

DispFullNet优势:提供额外的信息,学习目标边界尖锐的变化  

产出:相对左图的初始视差,根据视差warp出右图得到一个合成的左图

 

Stage 2:

输入concatenation

新的视差 d2=d1+r2

Tip:极端情况,第一阶段已经产生最优视差图,第二阶段0残差来保持最优性

       0:原始分辨率

理解:不同的分辨率都有一个初始视差,学习多规模的残差信号

亮点:非采用一个个堆积残差块,而是多规模的残差学习机制 

优点: 与直接学习counterpart相比,并入residual learning更优异,也有益于整个网络的微调,可减轻过拟合

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
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