立体匹配 -- GC-Net网络结构分析

• 参考 GC-Net pytorch版本

1. 首先看代码要对应着网络结构图和网络层的表格。
   
   

一.Unary Features 特征提取

1.使用2-D卷积提取深度特征。首先使用fiter size:5*5,stride:2的conv2d 将输入降维(1/2H,1/2W).

 imgl0=F.relu(self.bn0(self.conv0(imgLeft)))
 imgr0=F.relu(self.bn0(self.conv0(imgRight)))

self.conv0=nn.Conv2d(3,32,5,2,2)
self.bn0=nn.BatchNorm2d(32)

2.后面紧接着是8层残差网络。

• 注意到这里 num_block[0] ，这里的取值是8 代表八层残差，变量定义在下面

 self.res_block=self._make_layer(block,self.in_planes,32,num_block[0],stride=1)

 def _make_layer(self,block,in_planes,planes,num_block,stride):
        strides=[stride]+[1]*(num_block-1)
        layers=[]
        for step in strides:
            layers.append(block(in_planes,planes,step))
        return nn.Sequential(*layers)

• 注意到这个’num_block’参数，是一个数组 [8,1]，
• 这个for循环需要注意一下，因为残差结构穿进去的num_block=8,所以这里strides=[[1],[1],[1],[1],[1],[1],[1],[1]],step每次取值都是，所以传到block中的步长stride=1

def GcNet(height,width,maxdisp):
    return GC_NET(BasicBlock,ThreeDConv,[8,1],height,width,maxdisp)

• 下面详细剖析8层残差的代码细节
• 残差结构有两层conv(input=32,output=32,kernel_size=3,stride=1,padding=1)组成，