论文阅读《Cascade Residual Learning: A Two-stage Convolutional Neural Network for Stereo Matching》
发布时间
阅读量：
阅读量
Cascade residual learning (两阶段)
Problem: 不适用区域（其中主要表现为目标遮挡、重复纹理以及无纹理等情况）导致难以生成高质量的视差图
贡献：
- 通过采用DispNet与up-conv技术的结合实现全分辨率输出，在此过程中使得视差图像包含更多细节。
- 在初始视差校正过程中（通过多规模残差学习机制提供更为有效的优化方案）
Tip: 直接学习残差信号比直接学习视差更容易
改进： 非单一地堆叠多个残差块的情况下，在无法直接通过残差信号进行有效的监督时，则采用多尺度的残差学习机制，并以ground-truth与初始视差之间的差异作为监督目标来优化模型性能
特点：
- End-to-end
- 集成传统pipeline（匹配代价计算、代价聚合、视差计算、视差优化）
Stage 1:
对Dispnet的改进：额外的反卷积使视差图恢复到输入图大小的分辨率
DispFullNet优势：提供额外的信息，学习目标边界尖锐的变化
产出：相对左图的初始视差，根据视差warp出右图得到一个合成的左图
Stage 2:
输入concatenation
新的视差 d2=d1+r2
在极端情况下，在第一阶段已经生成了最优视差图，在第二阶段通过维持其最佳状态以实现0残差
0：原始分辨率
理解：不同的分辨率都有一个初始视差，学习多规模的残差信号
亮点：非采用一个个堆积残差块，而是多规模的残差学习机制
优势所在：相较于仅基于counterpart的传统方法而言，整合残差学习机制后表现出色，并有助于提升整体网络的微调能力的同时能够有效降低过拟合风险。
全部评论 (0)
还没有任何评论哟~