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