PSMNet debug(八)

最新推荐文章于 2022-12-31 11:32:26 发布

原创最新推荐文章于 2022-12-31 11:32:26 发布 · 423 阅读

0 ·

CC 4.0 BY-SA版权

这篇博客详细记录了PSMNet在训练阶段的过程，通过`stackhourglass.py`模块进行特征提取。它首先打印出左图像的尺寸信息，然后提取左、右图像的特征，并分别显示它们的特征层大小。最后，说明如何将左右图像特征进行合并，以用于后续的代价计算和匹配。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

train数据

stackhourglass.py

def forward(self, left, right):
print('PSMNet 123 forward')
print('PSMNet 00001111 forward')
print('stackhourglass left:')
print(left.size()[0])
print(left.size()[1])
print(left.size()[2]) #图像的高
print(left.size()[3]) #图像的宽

refimg_fea = self.feature_extraction(left)
print('PSMNet forward 0000')
targetimg_fea = self.feature_extraction(right)
print('PSMNet forward 1111')

print('stackhourglass refimg_fea disp')
print(refimg_fea.size()[0])
print(refimg_fea.size()[1])
print(refimg_fea.size()[2])
print(refimg_fea.size()[3])

print('stackhourglass targetimg_fea disp')
print(targetimg_fea.size()[0])
print(targetimg_fea.size()[1])
print(targetimg_fea.size()[2])
print(targetimg_fea.size()[3])

左图像特征

stackhourglass left:
1
3
256
512

stackhourglass refimg_fea disp
1
32
64
128

右图像特征
stackhourglass targetimg_fea disp
1
32
64
128

合并左右图像特征。
stackhourglass cost disp
1
64
48
64
128