论文阅读笔记——Group-wise Correlation Stereo Network

最新推荐文章于 2023-02-03 16:47:14 发布
最新推荐文章于 2023-02-03 16:47:14 发布
阅读量492 收藏
点赞数
分类专栏： 深度学习 双目
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/u011832617/article/details/102715103
版权

写在前面：这篇文章的亮点，主要如下所示：

  1. 平衡了correlation和cost volume这两种方式，

  2. Correlation时间复杂度低，但搜索空间有限

  3. Cost volume搜索空间大，但时间复杂度高

  4. 将需要做correlation的特征图进行通道分类，在每个组，计算相关图，获得多个匹配代价候选值，然后来得到cost

 

www.flybird.xyz
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Group-wise Correlation Stereo Network--大致理解cvpr19
weixin_45032769的博客
05-21 652
摘要 分组 相关性 立体 网络 Group-wise correlation群相关为测量特征相似性提供了有效的表示，并且不会像full correlation完全相关那样失去太多的信息。与以往的方法相比，它在减少参数时也保持了更好的性能。对以往提出的三维堆叠沙漏网络进行了改进，提高了性能，降低了推理计算成本。 本文工作 这篇文章主要提出了以下贡献： 提出了分组相关性，来构建代价体 （cost volumes）以提供更好的相似性度量；（针对相似性问题本文利用这样一种分组相关性构造代价体） 改进了 stack
Group-wise Correlation Stereo Network 论文学习
calvinpaean的博客
07-07 3043
Abstract 立体匹配估计一对矫正过的图像之间的视差(disparity)，这对深度感知、自动驾驶和其它相关任务非常重要。之前的学术工作主要是算出代价量（cost volume），通过交叉相关或者是在所有的视差层级上进行左右特征的 concat，然后用一个 2D或3D的卷积网络来回归出视差图。这篇论文中，我们提出要通过分组相关（group-wise correlation）来算出代价量。沿着通...
GwcNet：逐组相关的立体匹配网络（CVPR 2019）
flow_specter的博客
03-25 5444
概述 网络架构 3.2. Group-wise correlation volume
【双目代价空间分类】《Attention Concatenation Volume for Accurate and Efficient Stereo Matching》分类+代码
AmadeB的博客
02-03 363
【论文阅读】《Attention Concatenation Volume for Accurate and Efficient Stereo Matching》代价空间分类+代码
【论文学习笔记-13】GwcNet：Group-wise Correlation Stereo Network（2019CVPR）
Imperfactions的博客
08-17 1602
【立体匹配专题文献-5】GwcNet：Group-wise Correlation Stereo Network（2019CVPR） 本文提出了简单但高效的group-wise correlation方法。首先提取多层次的特征并叠加，获取高位的特征表示fl,fr。然后特征被分为若干组，然后对应组之间进行互相关操作，获得group-wise correlation maps，最后correlation maps打包形成最后的4D Cost Volume。多重matching cost计算能减少信息的损失。
Group-wise Correlation Stereo Network.pdf
09-14
Group-wise Correlation Stereo Network.pdf
Two-Stream Deep Correlation Network for Frontal Face Recovery
02-21
Two-Stream Deep Correlation Network for Frontal Face Recovery
Robust visual tracking using joint scale-spatial correlation filters
02-10
Robust visual tracking using joint scale-spatial correlation filters
Stereo Matching with Color-Weighted Correlation
02-24
《Stereo Matching with Color-Weighted Correlation, Hierarchical Belief Propagation, and Occlusion Handling》
CDDFuse: Correlation-Driven Dual-Branch 论文
最新发布
10-31
CDDFuse（Correlation-Driven Dual-Branch Feature Decomposition）是一种用于多模态图像融合的深度学习方法，主要针对如何有效建模跨模态特征并分解出特定模态和共享模态特征的挑战。论文的目的是在融合图像中保留...
Correlation Matrix Scatterplot 2-group：使用最小二乘拟合线生成 2 组变量的相关矩阵散点图。-matlab开发
05-31
此功能是对相关矩阵散点图的后续操作( www.mathworks.com/matlabcentral/fileexchange/53043-correlation-matrix-scatterplot )。 它创建了 2 组变量的多个双变量散点图。 每个图中都包含线性拟合线、Pearson 相关系数、相关 p 值和样本大小。 当您想要探索 2 组变量之间的关系时，它会很有帮助。
光流估计中cost volume详解
longshaonihaoa的博客
05-12 4432
原创声明：是暮涯啊 我认为之所以光流估计中会使用独有的cost volume，其初始形态是传统基于块的光流估计方法中，对每个前一帧图像F1中的某个块B1，计算其在一定范围内对应于后一帧图像2中哪个块B2最接近。假如B1的坐标为（x1，y1）B2的坐标为（x2，y2），对应这个块的光流矢量就是（x2-x1，y2-y1）。 1、FlowNet中的correlation 1.1 介绍 FlowNet作为光流估计的开山鼻祖，对correlation的计算花了大量篇幅。作者说这些分割啊，深度估计啊这些网络可以产生像素
双目深度算法——基于Cost Volume的方法（GC-Net / PSM-Net / GA-Net）
weixin_44580210的博客
06-11 5720
本篇博客可以主要是义GC-Net为例，解释什么是Cost Volume以及为什么要用3D卷积来进行推理。
论文阅读《Group-wise Correlation Stereo Network》
cunese0088的博客
04-29 766
previous(cost volume)： 传统 1 cross-correlation(correlation层，特征相似性) 缺点：虽然以有效的方式计算特征相似性，在每个视差级别只产生的单通道的correlation map，损失了一部分信息 传统 2 left right features 在所有视差级别级联 缺点：不含相关性，从头学习相似性度量，更多参数 本文提出的gro...
光流法中cost volume模块是什么
Bruce_0712的博客
09-14 5139
论文翻译：Group-wise Correlation Stereo Network
tjut_zdd的博客
04-02 5092
论文《Group-wise Correlation Stereo Network》的完整翻译，如有不当之处，敬请评论指出！蟹蟹！~ 发表：CVPR2019 代码：https://github.com/xy-guo/GwcNet（作者待更新…） 摘要 立体匹配估计矫正过的图像对之间的视差，这对深度感测，自动驾驶和其他相关任务非常重要。先前的工作建立了在所有视差水平上具有交叉相关或串联左右特征的代价量...
论文阅读笔记《Group-wise Correlation Stereo Network》[2019]
weixin_56127994的博客
09-02 343
以往的研究，建立cost volume有多种方式，一种是将左右两个特征矩阵在不同的视差水平下，做cat拼接操作，PSM-Net建立的4维的cost volume就是这种，这种方式的缺点是参数量太多，保留更多的语义信息。第二种将左右两个特征矩阵在不同的视差水平下，作correlation相关操作（求内积操作），在通道维度取均值，缺点是生成了的3维cost volume，具有相关性，但是没有更深层的语义信息。所以论文提出了结合两者的cost volume的建立方式。
标准化方法
Christina
06-10 858
高维数据中，由于每个变量单位或标度的不同，进行分析时通常需要将特征转化为一个标准的范围内，即标准化。 标准化常见方法： 1.z-score标准化 2.min-max标准化(min-max normalization)，该过程将特征转化，以使它的所有值都落在0~1的范围内 ...
阿里深度兴趣网络：Deep Interest network(DIN)
Tonywu2018的博客
02-09 2478
DIN(深度兴趣网络)是阿里在KDD2018提出的一种有效的用于CTR、个性化推荐的深度学习模型。其效果已经在阿里的电商平台得到了验证。优秀的文章需要学习记录。接下来对这篇论文进行总结概括： 1.动机 文章指出，用户兴趣有以下两个特点： 多样性：即每个用户在浏览购物网站的时候可能会对不能的商品感兴趣。比如一个年轻小伙，他可能对电子产品和运动装备都感兴趣。他的历史行为中可能购买过手机、电脑、...
group-wise conv
08-26
- *2* *3* [【论文简述及翻译】GWCNet：Group-wise Correlation Stereo Network（CVPR 2019）](https://blog.csdn.net/qq_43307074/article/details/127178835)[target="_blank" data-report-click={"spm":"1018....
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