BA-Net网络阅读笔记

创新点：

1.构建LM可微循环网络

２.深度图由一组基础深度图线性叠加组成

１.构建LM可微循环网络

对LM算法中阻尼因子进行学习【17】，使LM层可微。进而可以对整个网络进行端对端的学习训练，利用特征误差函数，同时优化特征学习网络和深度预测网络。

                                                            　      图 1 单次LM网络循环

这个方法不仅使得优化变得可微，而且可以更好的学习阻尼因子，有助于在有限的迭代内取得更好的结果。首先将中间变量设为网络节点来构造LM优化的单次迭代。在正向传递过程中，从特征金字塔F和当前X中计算增加的X，步骤如下：

1.计算特征度量误差

2.计算雅可比矩阵J(x)，海森矩阵和海森矩阵的对角矩阵D(x)。

3.使用全局平均池化来合并E(X)的绝对值，对于每个通道的每个像素。并且获得128维的特征向量。然后送入MLP的子网络中预测阻尼因子。

4.跟新参数

              　　　　　　　　     　　                　　　　　　　     (1)

通过这种方法将阻尼因子作为中间变量，参与每一次LM迭代。

 

２.深度图由一组基础深度图线性叠加组成

使用DRN-54作为编码器与特征金字塔共享特征。对于解码器，微调最后一层卷积到128通道，并使用这些特征图作为基础深度图进行优化。最后的深度图是基础深度图的线性组合【17】：

                          　　　　　　　　　　　　                                                                 (2)

解码器中采用三个上采样层和一个卷积层，最后一个卷积层生成128个基础深度图，上采样层采用如下结构【18】，进行快速计算：

                       　　　　　　　　　　　　　  图2    上采样层         

3.整体结构图

                                                                    图 3   网络结构图