Group-wise Correlation Stereo Network--大致理解cvpr19

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 stacked 3D hourglass（三维堆叠沙漏网络） 网络，提升表现，却没有增加推理时间（效率很高，运算复杂度并没有增加）；
• 该方法在 Scene Flow, KITTI2012, KITTI2015数据集上，和之前的方法相比取得了更好的表现；（性能好，不用管这一条）
• 实验表明，当我们限制 3D 聚合网络的计算成本时，我们提出的网络在性能上的下降要比 PSMNet 小很多，说明分组相关在实时立体网络中很有应用价值；（消融实验来验证本文的第一个创新点，这个实验通过使用提出的网络限制在某一低算力的平台下比其他方法PSMNet的性能衰减要小，说明他的的应用场景更丰富