Review Article Review of Stereo Matching Algorithms Based on Deep Learning

本文探讨了基于深度学习的立体匹配算法,包括非端到端和端到端方法。非端到端方法如DispNet虽高效但存在局限,而端到端方法如GC-Net和PSMNet利用3D卷积获取上下文信息,提升性能。Kitti数据集作为评价标准,使用端点误差等指标评估算法精度。尽管端到端方法表现优秀,但计算成本和特定场景的适应性仍是挑战。

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

基于深度学习的立体匹配算法综述(没看完)

(1)非端到端(2)端到端(3)无监督

非端到端

限制:每个深度值下计算成本问题,有限的感受野无法推断出错误点,后续步骤还是依靠经验手动设置参数。

端到端:可生成高精度深度估计,但是在无纹理、详细结构的小物体和近边界处很难找到正确对应点。而且需要更大的存储器和相对费时,对应的地面真值训练和大量标记工作。

Kitti数据集是怎么来的,安装在车顶部的相机拍的,还有旋转激光扫描仪,测量地面真值,数据集包含真实的视差值可以用于训练,也可以给出精确度用来预测。评估指标通常是端点误差(EPE),即像素的平均平 均视差误差。对于KITTI 2012,报告了 ⾮遮挡(Non-occ)和所有(All)像素 的错误像素百分⽐和平均端点错误。对 于KITTI2015,将针对背景,前景和所 有像素评估视差离群值D1的百分⽐。 离群值定义为视差误差⼤于max (3px,0.05d *)的像素,其中d *表示 地⾯真实视差。

非端到端:原始的太费时间,需要67秒,快速结构只要0.7秒。一个是cnn完了连接到DNN,一个是在代价计算中融入了多尺度特征,cnn完了之后直接点积。Luo提出

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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