2018年CVPR双目立体视觉深度学习进展:MC-CNN、LRCR与CBMV
双目立体视觉是一种计算机视觉技术,它利用两幅或多幅来自不同视角的图像来创建深度感知,通常用于三维重建、机器人导航、虚拟现实等领域。在CVPR2018年的论文中,研究者们针对这一主题进行了深入探讨,提出了几种关键的神经网络模型来改进立体匹配的精度和效率。 首先,MC-CNN (Multi-Column Convolutional Neural Network) 是由Jure Zbontar和Yann LeCun在2015年的Deep Learning会议上提出的,这是首次将卷积神经网络(CNN)应用于立体匹配。MC-CNN的基本思想是将图像块作为输入,通过训练多列网络来比较它们的相似性。它的架构分为两类:fast architecture 和 accurate architecture。fast architecture 在训练时确保正样本和负样本数量均衡,只有当正样本的相似度高于负样本时,损失函数才生效,这有助于提高网络对匹配准确性的敏感性。此外,MC-CNN采用了交叉成本聚合策略(CBCA),如CBCA扩散和支持域U(p),以及亚像素增强技术来提升细节处理能力。 LRCR (Left-Right Comparative Recurrent Model) 是2018年提出的一个进一步发展,它采用了一种左-右比较的递归模型,结合了常数高速路网络和卷积循环神经网络(ConvLSTM)。LRCR的重点在于通过左右图像间的比较,对遮挡区域的误匹配进行更细致的处理,例如使用背景视差值填充遮挡部分,并利用周围正确视差值的中位数进行插值校正。这种模型在构建Cost Volume时考虑了时间序列信息,从而提高了视差估计的鲁棒性和准确性。 另一项创新是CBMV (Coalesced Bidirectional Matching Volume),同样在2018年提出,这是一种并行匹配体积方法,用于估计视差。CBMV通过合并双向匹配,创建了一个联合的匹配体积,从而提高了视差估计的效率和一致性。这种方法减少了计算复杂性,有助于实时应用。 这些模型展示了双目立体视觉领域中深度学习技术的不断进步,通过优化网络架构、引入递归机制和创新的匹配策略,提高了视差估计的精度,为立体视觉任务提供了强大的工具。这些研究成果不仅推动了学术界的研究,也为实际应用提供了有价值的参考。
![](https://csdnimg.cn/release/download_crawler_static/11216244/bg5.jpg)
剩余23页未读,继续阅读
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/90cf480b2f214e58b0b0035862e86a14_adsf31465.jpg!1)
- 粉丝: 0
- 资源: 6
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 中国微型数字传声器:技术革新与市场前景
- 智能安防:基于Hi3515的嵌入式云台控制系统设计
- 手机电量低时辐射真增千倍?解析手机使用谣言
- 56F803型DSP驱动的高精度大功率超声波电源控制策略研究
- ARM与GPRS结合的远程监测系统设计
- GPS与RFID技术结合的智能巡检系统设计
- CPLD驱动的低功耗爆炸场温度测试系统设计
- 基于FPGA的智能驱动控制系统:可扩展设计与工业网络协议
- 基于ATmega128和CH374的嵌入式USB接口设计
- 基于AT89C52的温度补偿超声波测距仪:高精度设计与应用
- MSP430F448单片机在交流数字电压表中的应用
- 提升变频器应用效率的12项实用技巧
- STM32F103在数字电镀电源并联均流系统中的应用
- PSpice仿真下的升压开关电源设计:拓扑分析与CCM稳定性提升
- 轻巧高效:MSP430主导的低成本无线传感器网络节点设计
- FPGA在EDA/PLD中实现LVDS接口的应用解析
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)