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

最新推荐文章于 2021-09-14 17:23:59 发布
最新推荐文章于 2021-09-14 17:23:59 发布
阅读量455 收藏 1
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/qq_33495762/article/details/104726935
版权

 

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

 

GC-Net +非监督

端到端+自监督+warp+self-improving+在线方式

 

五部分结构：特征提取，交叉特征卷，3d特征匹配，soft argmin，warping

uploading.4e448015.gif转存失败重新上传取消

 

1特征提取(输出H x WxF)

取代计算原始像素强度的匹配代价，我们学习提取局部特征。相似GC-net,18个卷积层，3x3卷积核，每3层跳跃连接。输出维度64，双塔结构。提取一元特征。

 

2特征卷构建(输出 HxWxD+1xF)

用学习的特征计算匹配代价，通过构建特征卷。连接学习的特征，在左图和右图每个视差等级组装特征卷。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+1份，右图平移D。然后相间的连接。

uploading.4e448015.gif转存失败重新上传取消

3，3d特征匹配with正则化（编码-解码结构）

学习匹配代价在每个候选视差，不仅依赖一元项同时正则化局部环境。Res-TDM模型，残差连接自顶向下，最大视差和空间位置提取更好特征，底到上，下采样到1/16原图像大小，上到底，上卷积恢复到原图像大小。每个尺度，用Res-TDM 残差块。

 

uploading.4e448015.gif转存失败重新上传取消

4soft argmin（3d转换2d）

uploading.4e448015.gif转存失败重新上传取消

5损失函数

uploading.4e448015.gif转存失败重新上传取消

一元项，视差场正则化项，一致性约束，最大深度启发式

 

一元项

uploading.4e448015.gif转存失败重新上传取消

结构相似性，图像外观差异，图像梯度差异

 

正则化项

uploading.4e448015.gif转存失败重新上传取消

总一般变化，二阶梯度

一致性项

uploading.4e448015.gif正在上传…重新上传取消 uploading.4e448015.gif正在上传…重新上传取消

   右图像+右视差图（Dr）

   左图像 +右视角+左图像（Dl+Dr）

最大深度启发式uploading.4e448015.gif正在上传…重新上传取消

CV小学生。
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
[Stereo_cnn][cvpr16]Efficient Deep Learning for Stereo Matching(未完成)
zhiwei2coder的博客
11-17 2533
[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...
2018-CVPR-Self-Supervised Learning for Stereo Matching with Self-Improving Ability阅读笔记
SiKongPop的博客
08-22 369
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
CV计算机视觉2021论文汇总(CVPR、ICCV等陆续更新)
qq_51682716的博客
09-14 728
CVPR_2021_Papers 官网链接：http://cvpr2021.thecvf.com 时间：2021年6月19日-6月25日 论文接收公布时间：2021年2月28日 CVPR2021官方接受论文列表：http://cvpr2021.thecvf.com/sites/default/files/2021-03/accepted_paper_ids.txt 论文解读及开源项目汇总： https://github.com/murufeng/CVPR_2021_Papers https://github
立体匹配——高引论文50篇
qq_33495762的博客
03-08 1726
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...
Supervised Learning
07-02 348
Supervised learning problems are categorized into "regression" and "classification" problems.
Self-supervised Graph Learning for Recommendation
12-20
在推荐系统领域，自监督学习（self-supervised learning）已经成为一种新兴的研究焦点，尤其是在结合图学习（graph learning）的情况下。自监督学习的核心思想是利用数据自身的信息来构建监督信号，而不是依赖于人工...
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
Contrastive Self-supervised Learning for Graph Classification
12-20
Contrastive Self-supervised Learning for Graph Classification 在图分类问题中， Contrastive Self-supervised Learning（对比自监督学习）是一种有效的方法，它可以解决图分类模型中的过拟合问题。该方法通过在...
Pareto Self-Supervised Training for Few-Shot Learning.pdf
11-17
针对这一问题，论文“Pareto Self-Supervised Training for Few-Shot Learning”提出了一种新颖的方法——帕累托自监督训练（Pareto Self-Supervised Training, PSST）。PSST旨在将小样本辅助问题分解为多个具有不同...
EEG and Self-supervised Learning
03-22
标题 "EEG and Self-supervised Learning" 涉及到的是使用深度学习技术对脑电图（EEG）数据进行分析的研究领域。EEG是一种记录大脑电活动的技术，广泛应用于神经科学、医学诊断和生物信号处理。自我监督学习是机器...
如何区分监督学习(supervised learning)和非监督学习(unsupervised learning)
Duke__Lee的博客
08-26 1637
如何区分监督学习(supervised learning)和非监督学习(unsupervised learning) 机器学习的常用方法中，我们知道一般分为监督学习和非监督学习。（当然还有半监督） l 监督学习：监督学习，简单来说就是给定一定的训练样本（这里一定要注意，这个样本是既有数据，也有数据相对应的结果），利用这个样本进行训练得到一个模型（可以说就是一个函数），然后利用这个模型，将...
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...
MoCoV3：何恺明团队新作！解决Transformer自监督训练不稳定问题！
夕小瑶科技说
04-07 2970
文 | happy源 | 极市平台论文链接: https://arxiv.org/abs/2104.02057本文是FAIR的恺明团队针对自监督学习+Transformer的一篇实证研究。...
Self-Supervised Learning for Contextualized Extractive Summarization
Forlogenの解忧杂货铺
11-21 639
ACL 2019 Self-Supervised Learning for Contextualized Extractive Summarization 背景 本文所表述的内容十分的清晰明了，同样也很简单，即如何使用不同的预训练策略来提升抽取式摘要任务的效果。作者指出：现有的模型在抽取句子使用交叉熵训练模型时，往往只考虑了句子级别的信息，并没有很好的捕获全局或说是文档级的信息，因此对于最后的生成...
遥感分割和图像融合近期论文阅读
qq_38072352的博客
09-09 2594
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
半监督学习之self-training
热门推荐
tyh70537的博客
05-08 2万+
一，半监督学习 　　半监督学习是一种介于监督式学习和无监督学习之间的学习范式，我们都知道，在监督式学习中，样本的类别标签都是已知的，学习的目的找到样本的特征与类别标签之间的联系。一般来讲训练样本的数量越多，训练得到的分类器的分类精度也会越高。但是在很多现实问题当中，一方面由于人工标记样本的成本十分高昂，导致了有标签的样本十分稀少。而另一方面，无标签的样本很容易被收集到，其数量往往是有标签样本的上
ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems
网瘾少年康复中心
08-17 1701
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
最新发布
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。...
评论
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