Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches

最新推荐文章于 2021-11-20 20:01:55 发布
最新推荐文章于 2021-11-20 20:01:55 发布
阅读量378 收藏
点赞数
分类专栏： 基于深度学习的立体匹配 文章标签： 计算机视觉 算法 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Chinese_OG/article/details/116016100
版权
该文提出一种基于卷积神经网络的立体匹配算法，通过训练网络评估图像块相似度，降低错误率。文章回顾了立体匹配的发展，包括各种传统算法，并详细介绍了匹配代价的计算方法、立体匹配的实现步骤，如十字交叉域法、半全局算法和视差图计算。实验表明，这种方法在数据集上的表现优于其他算法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文题目：Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches

发表：cvpr2015

一、介绍：这篇文章的贡献是1介绍了两个基于卷积神经网络计算立体匹配算法的算法2.在数据集中有着更低的错误率的算法和实现代码3.实验分析了与其他算法错误率的比较和不同超参数的设置。

二、相关工作：立体匹配算法的回顾：04年K&T平方距离和为匹配代价，训练概率分布模型—>06年K&T延续了之前的工作增加了归一化互相关—>12年 P等用了AD-census和多类线性判别式。07年Z&S利用替代优化算法估计马尔可夫随机场最优解—>07年S&P条件随机场概率—>08年svm+条件随机场概率。13年H&S匹配代价置信度—>13年H随机森林组合置信度—>14年S等随机森林组合置信度再作为马尔可夫随机场的软约束—>15年Z&K卷积神经网络。

三、匹配代价：用监督式卷积神经网络评估小图像块相似度，构建数据集：从已知的视差图中获得真实视差值，确保消极点不围绕真实视差点，

最低0.47元/天 解锁文章
《Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches》论文阅读之MC-CNN
Gavinmiaoc的博客
06-18 1963
通过训练卷积神经网络比较图像块的立体匹配 project主页：https://github.com/jzbontar/mc-cnn 基于patch的提取与比较，学习其相似性得到一个matching cost，并将正确匹配的patch定义为正样本，其他为负样本。 后处理包括：cross-based cost aggregation, semiglobal match...
论文阅读《MC-CNN: Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches》
薛定谔的猫头咕咕咕
03-27 1796
论文地址：https://arxiv.org/abs/1510.05970 源码地址：https://github.com/jzbontar/mc-cnn 背景   传统的立体匹配算法包含：匹配代价计算，代价聚合，视差计算，视差精细化四个步骤；针对初始匹配代价计算，本文提出一种基于CNN的patch相似度衡量方法，再结合传统算法中的代价聚合、视差计算与视差精细化步骤预测输入图像的深度图； 模型结构   基于自监督学习的框架引导模型训练，用<Pn×nL(p),Pn×nR(q)><\math
matlab终止以下代码-mc-cnn:通过训练卷积神经网络比较图像斑块进行立体匹配
05-21
matlab终止以下代码通过训练卷积神经网络比较图像斑块进行立体匹配 资料库包含 用卷积神经网络计算立体声匹配成本的过程； 在立体匹配任务上训练卷积神经网络的程序； 和 基本的立体方法（基于交叉的成本汇总，半全局匹配，左右一致性检查，中值过滤器和双边过滤器）； 在KITTI数据集上运行至少需要6 GB内存的NVIDIA GPU，在Middleiddle数据集上运行需要至少12 GB的NVIDIA GPU。 我们在GTX Titan（仅KITTI），K80和GTX Titan X上测试了该代码。该代码根据BSD 2条款许可发布。 如果您在工作中使用此存储库中的代码，请引用我们的文档。 @article{zbontar2016stereo, title={Stereo matching by training a convolutional neural network to compare image patches}, author={Zbontar, Jure and LeCun, Yann}, journal={Journal of Machine Learning Researc
《Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches》
正在挣扎中的人
11-20 1229
总结MC-CNN
Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches 译文
dyingstraw的博客
03-06 543
摘要 我们提出了一种从已纠正的一对图片来提取深度信息的方法。我们的方法聚焦于很多立体构建算法的第一阶段：匹配损失（match cost）计算。我们通过卷积神经网络通过对小的图像块的相似度的学习，来解决这个问题。通过构建一个二分类的数据集（相似，不相似的样本）进行有监督的训练。我们提出连个网络去实现这个任务，一个调整速度、一个调整精度。cnn的输出被用作立体匹配的成本（stereo match...
论文学习——Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches
xxxlinttp的博客
09-18 2351
论文学习——Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches 原始论文地址：https://arxiv.org/abs/1510.05970 代码：https://github.com/jzbontar/mc-cnn 摘要：针对很多立体匹配算法的第一阶段——匹配代价计
立体匹配之（二）：[MC-CNN] 2015CVPR: Stereo Matching by Training a Convolutional Neural Netw
大青上的博客
12-16 1万+
1 摘要 project主页：https://github.com/jzbontar/mc-cnn 基于patch的提取与比较，学习其相似性得到一个matching cost，并将正确匹配的patch定义为正样本，其他为负样本。 后处理包括：cross-based cost aggregation, semiglobal matching, a left-right consistency chec
matlab终止以下代码-torch-mc-cnn:通过训练卷积神经网络比较图像斑块进行立体匹配
05-21
matlab终止以下代码通过训练卷积神经网络比较图像斑块进行立体匹配 如果要安装“ ...convolutional neural network to compare image patches}, author={Zbontar, Jure and LeCun, Yann}, journal={Jou
matlab终止以下代码-MC-CNN:神经网络
05-21
matlab终止以下代码通过训练卷积神经...matching by training a convolutional neural network to compare image patches}, author={Zbontar, Jure and LeCun, Yann}, journal={Journal of Machine Learning Researc
【翻译学习笔记】Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches
liuqy123的博客
08-21 2147
Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches 通过训练卷积神经网络对比图像小块的方法实现立体匹配（更新中） Abstract We present a method for extracting depth information from a rectified ima...
【Deep Learning】Review of Stereo Matching by Training a Convolutional Neural Network to Compare Image
qbt4juik的专栏
02-02 2034
Stereo Matching by Training a Convolutional Neural Network to Compare Image Link: http://arxiv.org/abs/1510.05970 Code: https://github.com/jzbontar/mc-cnn ____________________________________
论文翻译------Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches
梦的漂流瓶的博客
07-19 625
原文介绍了一种基于深度学习的密集匹配方法MC-NET，是第一篇将深度学习引入密集匹配方面的文章。 原文链接如下MC=NET **********************************************************手动分割线***********************************************************************...
三维视觉论文阅读：mc-cnn2016双目立体匹配
Yan
12-15 1793
论文 Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches 摘要 本篇文章只关注“像素块相似度”这一块，仅仅是双目立体匹配中的一个小模块；导致文中还有大量传统方法的内容，不过这些东西不是现在应该讨论的重点，所以直接跳过了。 方法 早期的深度学习方法都还不是end2end，所以行文有点啰嗦。本篇文章大致分为数据集以及两个对应的网络。 1 数据集 考虑到本文只关心像素块的相似度，因此作者用了一个很简
深度学习结合SLAM的研究思路/成果整理之（一）使用深度学习方法替换SLAM中的模块
热门推荐
自己的学习笔记
12-12 3万+
整理了部分近两年深度学习结合SLAM的一些研究成果（参考知乎帖子https://www.zhihu.com/question/66006923 和泡泡机器人公众号，附上论文链接和已找到的源代码/数据集链接，大多简单看了一下摘要。仅为自己学习所用，确实翻译得很烂…………1. 深度学习跟SLAM的结合点深度学习和slam的结合是近几年比较热的一个研究方向，具体的研究方向，我简单分为三块，如下。1.1 深
快速高分辨率图像的立体匹配方法Effective large scale stereo matching
liyingjiang22的博客
10-23 1077
《Effective large scale stereo matching》 In this paper we propose a novel approach to binocular stereo for fast matching of high-resolution images. Our approach builds a prior on the disparities by
PSMNet:Pyramid Stereo Matching Network学习测试笔记00
Quasimo
05-29 4641
CVPR2018原文链接 Github仓库地址 SceneFlow数据集链接，只需要cleanpass和Disparity 文章目录1.简要描述2.硬件推荐3.训练过程4. 不靠谱的测试5.PSMNet存在问题 1.简要描述 PSMNet是一个很6皮的三维重建网络，我需要做三维重建，说句实在话，经典结构光法精度高，也已经发展到瓶颈了，多频外插法一枝独秀。深度学习的双目仿生原理，感觉会很有前景和研究...
Stereo Matching Source Code
MyArrow的专栏
11-22 2283
LIBELAS: Library for Efficient Large-scale Stereo Matching Download Stereo and Optical Flow code Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches Deep
Pyramid Stereo Matching Network: A 3D CNN Approach for Accurate Depth Estimation
Pyramid Stereo Matching Network (PSMNet) 是一种深度学习方法，用于从一对立体图像中估计深度，它是近年来深度估计研究中的重要进展。传统的深度估计任务被看作是卷积神经网络（CNN）可解决的监督学习问题，但传统...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值