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

最新推荐文章于 2024-07-25 23:48:49 发布
最新推荐文章于 2024-07-25 23:48:49 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
深度聚类（deep clustering）中的自监督（self-supervised）表示学习（representation learning）
qq_35803227的博客
12-14 3754
序言 两年之前开始学习深度聚类，首先是被其面对高维复杂海量数据时聚类效果的大幅度提升所吸引，两年之前那个“意气风发”的我读了几篇论文，以为自己已了解其主体，便动手写了那么几篇论文，结果是被现实摁在地上狠狠的摩擦。我开始重新审视这个方向。深度聚类中，深度模型的多样化，经典的有自动编码器AE,变分自动编码器 VAE,生成对抗网络GAN,高斯混合模型GMM以及近几年流形起来的图神经网络GCN等，聚类算法的多样性有经典的kmeans，凝聚聚类，谱聚类等。我把自己的目标定位在神经网络部分，而每类神经网络模型都是被损失
论文《EdgeStereo: A Context Integrated Residual Pyramid Network for Stereo Matching》
Sylvia Zhang的博客
03-18 2070
转载请注明：http://blog.csdn.net/G_Dragon_Li/article/details/79585542，作者：小小希的权世界（用户名：g_dragon_li）    本次博客简单分享一下3月14日arxiv刚公布的论文《EdgeStereo: A Context Integrated Residual Pyramid Network for Stereo Matching》...
自监督学习概述(Self-Supervised Learning，SSL)
最新发布
m0_59257547的博客
07-25 1053
自监督学习（Self-Supervised Learning，SSL）是一种机器学习方法，旨在利用未标记数据进行训练。这种方法通过从数据本身生成伪标签，来创建监督信号，使得模型能够学习有效的数据表示。自监督学习在深度学习领域尤其受到关注，因为标记数据往往昂贵且难以获得，而未标记数据则大量存在。
2018-CVPR-Self-Supervised Learning for Stereo Matching with Self-Improving Ability阅读笔记
SiKongPop的博客
08-22 382
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
ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems
网瘾少年康复中心
08-17 1712
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...
2023/8/20周报 自监督学习
user_s1的博客
08-20 214
本周通过对自监督学习的一些案例进行学习从而了解了自监督学习的一些基础概念。自监督学习是无监督学习里面的一种，也被称作pretext task。自监督学习主要是利用辅助任务从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。找到合适的辅助任务（pretext）对于自监督学习是最需要解决的问题。与数据特点相比，辅助任务难一些有助于性能提升。数据和资源越多，自监督预训练的效果会更好（Bert）。
人脸识别二
AI+机器人
02-28 6164
awesome-Face_Recognition Face Tracking; Face Clustering; Face Super-Resolution && Face Deblurring && Face Hallucination; Face Generation && Face Synthesis && Face Completion && Face Restoration && Face De-O
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 5981
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
自监督学习（SSL）Self-Supervised Learning
luemeon的博客
06-16 8310
有监督和无监督最主要的区别在于模型在训练时是否需要人工标注的标签信息。自监督学习最主要的目的就是学习到更丰富的语义表征。评测自监督学习的能力，主要是通过 Pretrain-Fintune 的模式。监督的 Pretrain - Finetune 流程：1.从大量的有标签数据上进行训练，得到预训练的模型，2.对于新的下游任务（Downstream task），我们将学习到的参数（比如输出层之前的层的参数）进行迁移，在新的有标签任务上进行「微调」，从而得到一个能适应新任务的网络。自监督的 Pretrain - F
自监督学习（Self-Supervised Learning）
A17756070461的博客
05-20 6735
自监督学习（Self-Supervised Learning） 在神经网络的训练中，良好的性能通常需要大量有标签的数据，但是收集带有手工标签的数据是非常昂贵的(例如ImageNet)，并且很难扩大规模。考虑到未标记数据(如免费文本，互联网上的所有图像)的数量远远超过人类管理的标记数据集的数量，不使用它们是一种浪费。然而，无监督学习并不容易，而且效率通常比监督学习低得多。如果我们可以为无标记的数据免费获得标签，并以监督的方式训练无监督的数据集，那会怎么样呢？我们可以通过构建一个特殊形式的监督学习任务来实现这一
Supervised Learning
weixin_43777451的博客
01-22 575
Supervised Learning 监督学习 In supervised learning, we are given a data set and already know what our correct output should look like, having the idea that there is a relationship between the input and t...
【深度学习】自监督学习详解（self-supervised learning）
Danger的博客
01-30 1万+
详解！自监督学习：对比学习和生成学习。
Self-supervised
weixin_41807182的博客
02-28 1484
本文针对自己阅读文献资料做的笔记： 目录： 1.为什么会有self-supervised？ 2.什么是self-supervised？  1.为什么会有self-supervised？         为了利用深度网络进行有监督学习时，我们需要大量有标签的数据。而现实生活中，有很多领域的有标签数据很少，而我们只能通过类似人工标注的方法获得相对应的大量标记数据，该过程是非常耗时耗力。相反，无标签的数据在当今信息时代是非
Look into Person: Self-supervised Structure-sensitive Learning and A New Benchmark for Human Parsing
zjl-wgf
02-28 3204
摘要由于人体解析巨大的应用潜力，引起了广泛的研究。但是现存的数据集只有有限的图像和标注，缺乏人类外观的多变性；本论文引入了一个新的benchmark，“Look into Person (LIP)”， 在可扩展性、多样性和难度方面取得了重大进展，对未来以人为中心的研究具有重大贡献；这个全面的数据集包含50000多幅经过精心标注的图像，其中包含19个语义部件标签，它们是从更广泛的视角、遮挡和复杂背景...
自监督学习self-supervised learning 概述
二十年蝉电子学习博客
11-22 2262
深度学习被分为：监督学习，无监督学习和自监督学习。监督学习近些年获得了巨大的成功，但是有如下的缺点：1.人工标签相对数据来说本身是稀疏的，蕴含的信息不如数据内容丰富；2.监督学习只能学到特定任务的知识，不是通用知识，一般难以直接迁移到其他任务中。无监督学习算法的结果可能不太准确,因为输入数据没有标记,并且算法事先不知道确切的输出。由于这些原因，自监督学习的发展被给予厚望。自监督学习（Self-Supervised Learning）是无监督学习里面的一种，也被称作(pretext task)
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。 自我监督学习的基本思想是从未标记的数据中构造有意义的标签，然后将这些标签用作训练数据，以学习有用的特征表示。通过对输入数据进行某种形式的变换或遮挡，可以生成一对相关的样本。其中一个样本称为正样本，另一个则被视为负样本。例如，在图像领域中，可以通过将图像进行旋转、裁剪或遮挡等变换来生成正负样本对。模型的目标是通过学习从一个样本到另一个样本的映射，从而使得正样本对之间的相似度更高，负样本对之间的相似度更低。 自我监督学习在许多任务中都取得了很好的效果。例如，在自然语言处理任务中，可以通过遮挡句子中的某些单词或短语来生成正负样本对，然后通过学习从一个句子到另一个句子的映射来进行训练。在计算机视觉任务中，可以通过图像的旋转、裁剪、遮挡或色彩变换等方式来生成正负样本对。 自我监督学习的优点是不需要人工标注的标签，可以利用大量的未标记数据来进行训练，从而扩大训练数据的规模。此外，自我监督学习还可以通过学习到的特征表示来提高其他任务的性能，如分类、目标检测和语义分割等。 总之，自我监督学习是一种有效的无监督学习方法，通过构造有意义的预测任务，从未标记的数据中学习有用的特征表示。它在各种任务中都有广泛的应用，并具有很高的潜力。
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