Self-Supervised Learning for Stereo Matching with Self-Improving Ability

最新推荐文章于 2024-03-29 10:45:00 发布
最新推荐文章于 2024-03-29 10:45:00 发布
阅读量2.9k 收藏 4
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lvhao92/article/details/78742355
版权

首先呢，这是一个非监督算法，因此它约束的方式就是左右一致性检测，用warp来处理左右图，详见3.1。作者声情并茂的讲述自己就是不要gt。。

网络结构


五部分组成 特征提取 交叉特征向量融合 3D特征匹配 soft-argmin 最后通过图像warp来做约束。

特征提取

有了特征提取，就可以不虚那些复杂区域啦。以往传统的方法相当于是取像素域的原始特征，而深度学习取得特征则是自己去学的

具体特征怎么取的呢，是跟GC-Net一样的。

构建特征向量

通过学习的特征来构建匹配代价空间，需要先对视差范围做一个确定，然后将左右特征图片concated起来，从而生成最终的特征向量


左图复制D份，右图平移D。然后相间的concat。


对3D特征进行regularization


3D卷积反卷积


所以这篇文章就是非监督的GC-Net

简直一模一样~~~

真的是醉了

浪费了时间读这篇文章。。







kasdlj
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
Self-supervised Graph Learning for Recommendation
12-20
自监督学习用于推荐
遥感分割和图像融合近期论文阅读
qq_38072352的博客
09-09 2555
1、Foreground-Aware Relation Network for Geospatial Object Segmentation inHigh Spatial Resolution Remote Sensing Imagery 前后背景分割 https://openaccess.thecvf.com/content_CVPR_2020/papers/Zheng_Foreground-Aware_Relation_Network_for_Geospatial_Object_Segmentati
机器学习的分类——自监督学习（Self-supervised Learning）
最新发布
guojunwu1977的博客
03-29 462
自监督学习（Self-supervised Learning）是机器学习的一种形式，它在监督学习和无监督学习之间架起了一座桥梁。自监督学习不依赖于传统意义上的标记数据，而是从输入数据本身生成监督信号来训练模型。这种方法允许模型在没有显式标签的情况下学习数据的有用表示，从而利用大量未标记的数据来提高学习效率和性能。
【深度学习】自监督学习详解（self-supervised learning）
Danger的博客
01-30 8255
详解！自监督学习：对比学习和生成学习。
双目深度估计 立体匹配 论文综述及数据集汇总 Deep Stereo Matching paper review and dataset
ydd的博客，记录生活
01-09 5743
双目深度估计立体校正标定 立体匹配 论文综述及数据集汇总 paper review and dataset StereoNet: Guided Hierarchical Refinement for Real-Time Edge-Aware Depth Prediction. Single View Stereo Matching. Generalizing Deep Stereo Matching to Novel Domains. KITTI InStereo2K eth3d middlebury
立体匹配——高引论文50篇
qq_33495762的博客
03-08 1655
立体匹配整体思路： Siamese网络特征提取+相似性度量+构造三维代价卷+代价卷优化(编码解码器)+生成初始视差+视差优化结构或者分支结构(比如结合语义分割信息) 论文 MC-CNN LeCun 《Computing the Stereo Matching Cost with a Convolutional Neural Network》2015 改进匹配代价计算，看成二分类问...
论文阅读《ActiveStereoNet:End-to-End Self-Supervised Learning for Active Stereo Systems》
Stonlimart
08-10 4507
本文出自谷歌与普林斯顿大学研究人员之手并发表于计算机视觉顶会ECCV2018。本文首次提出了应用于主动双目立体视觉的深度学习解决方案，并引入了一种新的重构误差，采用自监督的方法来解决缺少ground truth数据的问题，本文所提供的方法在许多方面表现出了最好的结果 Abstract 本文首次提出了第一个主动双目视觉系统的深度学习解决方案 ActiveStereoNet。由于缺乏 ground...
一文看懂半监督学习(Semi-supervised Learning)和自监督学习(Self-Supervised Learning)
热门推荐
qq_44015059的博客
05-30 4万+
1. 机器学习学习任务 1.1 监督学习 根据输入-输出样本对L={(x1,y1),⋅⋅⋅,(xl,yl)}L=\{(x1,y1),···,(xl,yl)\}L={(x1,y1),⋅⋅⋅,(xl,yl)}学习输入到输出的映射f:X−>Yf:X->Yf:X−>Y,来预测测试样例的输出值。SL包括分类(Classification)和回归(Regression)两类任务，分类中的样例xi∈Rmx_i∈R^mxi​∈Rm(输入空间)，类标签yi∈{c1,c2,⋅⋅⋅,cc}y_i∈\{c_1,c
一文读懂自监督学习
zandaoguang的博客
03-13 1万+
公众号关注“视学算法”设为 “星标”，DLCV消息即可送达！来自| 知乎作者丨Sherlock来源丨https://zhuanlan.zhihu.c...
监督式学习(Supervised learning)
y小川的专栏
04-02 9281
监督式学习的定义，房屋价格和面积的例子给予直观地描述。机器学习领域的一些专业名词介绍。
2018-CVPR-Self-Supervised Learning for Stereo Matching with Self-Improving Ability阅读笔记
SiKongPop的博客
08-22 345
SsSMnet,designed byYiran Zhong, Yuchao Dai, and Hongdong Li,could be seperated into five part. Frist part is feature extraction.The structure of it is genenarl CNN,despite of
Self-labeled-techniques-for-semi-supervised-learning
05-15
用于半监督学习的自标记技术 2017年在罗马的Sapienza大学进行的一次神经网络项目课程。 项目报告： 实际部分： 创建的算法： 和
Pareto Self-Supervised Training for Few-Shot Learning.pdf
11-17
Pareto Self-Supervised Training for Few-Shot Learning 针对小样本学习的帕累托自监督训练
Self-supervised learning methods and applications in medical im
09-25
Self-supervised learning methods and applications in medical imaging analysis A survey.pdf
Contrastive Self-supervised Learning for Graph Classification
12-20
Contrastive Self-supervised Learning for Graph Classification
[Stereo_cnn][cvpr16]Efficient Deep Learning for Stereo Matching(未完成)
zhiwei2coder的博客
11-17 2521
[Paper note](Efficient Deep Learning for Stereo Matching) 这篇文章介绍一种更加快速但是只损失少量精确度的双目视差计算方法。其使用的主要框架与MC-CNN类似，尤其是Fast 框架，直接对两个由Siamese network得到feature vectors进行inner product计算。然后对结果的预测采用多类分类的模型，类别即不同大...
ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems
网瘾少年康复中心
08-17 1693
Network architecture Loss function 主要用的左图与reconstructioned的左图之间的差异，叫做photometric loss，然后亮处像素之间的差异一定会比暗的地方的差异大的。所以像素之间的residual是跟像素的亮度有关。 然而，亮度与视差实际上是不相关的。所以，需要消除亮度的影响。因为非监督里面，的确loss是像素之间的loss。 Wei...
self-supervised learning
09-21
自我监督学习是一种机器学习方法，通过对数据进行合理的预测任务，从中获得有用的表示。与传统的监督学习不同，自我监督学习不需要人工标注的标签来指导训练，而是利用数据自身的信息进行训练。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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