基于深度学习视野自选择的密集匹配网路
张昊
官恺
金飞
摘要：当前以PSMNet为代表的密集匹配网络结构在匹配代价计算过程中采用了多尺度技术,通过视差软回归的方式寻找最佳视差点,但多尺度参与计算会导致不同尺度相互干扰,视差不连续,区域的匹配误差增加.文章设计了不同视野的多支路网络结构AFSNet,针对每个像素点选出最佳视野.AFSNet能够有效减少视差非连续边缘误差,提升匹配精度,EPE和3PE在4个数据集上比采用多尺度的PSMNetS平均减少了1.79%和6.76%;以偏移损失和置信网络为选择依据,可以有效选择最佳尺度,实现合并精度优于任意支路精度;在测试的网络中,AFSNet模型泛化性整体优于其他参与测试的网络.
关键词：密集匹配深度学习视野自选择多尺度迁移学习
分类号：TP181(自动化基础理论)
论文发表日期：2023-08-28
页数：4( 35-38 )
英文信息