PSMNet debug(四)

 

使用视差回归的方式来估算连续的视差图。根据由softmax操作得到预测代价Cd来计算每一个视差值d的可能性。预测视差值d'由每一个视差值*其对应的可能性求和得到，如下式

 

 

    视差值回归比基于分类的立体匹配方法鲁棒性更强

1.submodule.py

class disparityregression(nn.Module):
    def __init__(self, maxdisp):
        super(disparityregression, self).__init__()
        #self.disp = Variable(torch.Tensor(np.reshape(np.array(range(maxdisp)),[1,maxdisp,1,1])).cuda(), requires_grad=False)
        self.disp = Variable(torch.Tensor(np.reshape(np.array(range(maxdisp)),[1,maxdisp,1,1])).cpu(), requires_grad=False)#ll

    def forward(self, x):
        print('submodule.py disparityregression x ')
        print(x.size()[0])
        print(x.size()[1])
        print(x.size()[2])
        print(x.size()[3])
        print('submodule.py disparityregression self.disp ')
        print(self.disp.size()[0])
        print(self.disp.size()[1])
        print(self.disp.size()[2])
        print(self.disp.size()[3])
        disp = self.disp.repeat(x.size()[0],1,x.size()[2],x.size()[3])

       print('submodule.py disparityregression disp ')
        print(disp.size()[0])
        print(disp.size()[1])
        print(disp.size()[2])
        print(disp.size()[3])

        out = torch.sum(x*disp,1)
        return out

打印结果：

submodule.py disparityregression x 
1
192
384
1248
submodule.py disparityregression self.disp 
1
192
1
1

submodule.py disparityregression disp 
1
192
384
1248

 

2.

def forward(self, x):
        print(self.disp)

        disp = self.disp.repeat(x.size()[0],1,x.size()[2],x.size()[3])

 

submodule.py disparityregression self.disp 
tensor([[[[  0.]],

         [[  1.]],

         [[  2.]],

         [[  3.]],

         [[  4.]],

         [[  5.]],

         [[  6.]],

         [[  7.]],