[立体匹配与深度估计] 文献阅读 Cross-Scale Cost Aggregation for Stereo Matching-CVPR2014

最新推荐文章于 2022-05-13 07:00:00 发布
原创 最新推荐文章于 2022-05-13 07:00:00 发布 · 617 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉

参考了这篇博客
https://blog.youkuaiyun.com/wsj998689aa/article/details/44411215
https://blog.youkuaiyun.com/chuhang_zhqr/article/details/54316484
https://blog.youkuaiyun.com/weixin_36558054/article/details/74832494?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.edu_weight

文中介绍了3个评测数据库，
一个是KITTI（http://www.cvlibs.net/datasets/kitti/eval_stereo_flow.php?benchmark=stereo），起源于Geiger教授领导的自动驾驶研究小组。Elas算法就是Geiger教授做的成果。网站包含内容比较丰富，双目视觉数据库有2012 和2015 两种，2012是静态图，2015是动态图。
另一个是middlebury（http://vision.middlebury.edu/stereo/）这个就比较老一些，只有双目视觉的评测。Scharstein 和Szeliski两位大神搭建的。
第三个是new tsukuba dataset.这里有1800对图像。起源于1997年的tsukuba大学的数据库。https://home.cvlab.cs.tsukuba.ac.jp/dataset。

论文的贡献在于提供了cost aggregation的多尺度框架，而不是一种新的聚合方法。妙处在于可以把好多方法都套用到这个框架中。

文中说现在大部分的聚合的方法都是某种程度上对代价计算窗口的联合滤波。一般都是在最精细的尺度上进行，图像越精细效果越好。因为人类视觉系统的处理是在多个尺度上进行的，所以在计算机中也采用CTF：coarse to fine的方法。

cost 计算
C(i,l)C(i,l)C(i,l)表示在像素(xi,yi)(x_i,y_i)(xi​,yi​)处第lll级匹配代价，
intensity+gradient的代价

C(i,l)=(1−α)⋅min(∣∣I(i)−I′(il)∣∣,τ1)+α⋅min(∣∣∇xI(i)−∇xI′(il)∣∣,τ2)C(i,l) = (1-\alpha)\cdot min(||I(i)-I'(i_l)||, \tau _1)+\alpha \cdot min(||\nabla_xI(i)-\nabla_xI'(i_l)||,\tau_2)

最低0.47元/天 解锁文章
CVPR2021| 基于自监督学习的多视图立体匹配 (CVPR2021)
3D视觉工坊
04-26 2660
Self-supervised Learning of Depth Inference for Multi-view Stereo (CVPR2021)代码地址：Github: https://github.com/JiayuYANG/Self-supervised-CVP-MVSNetSelf-sup CVP-MVSNet简介尽管近年来基于深度学习的多视图立体匹配（Mu...
多视图立体匹配论文分享 | Fast-MVSNet (CVPR2020)
3D视觉工坊
02-22 1074
论文题目：Fast-MVSNet: Sparse-to-Dense Multi-View Stereo with Learned Propagation and Gauss-Newton ...
Cross-Scale Cost Aggregation for Stereo Matching
网瘾少年康复中心
05-22 1183
摘： 人类根据不同的尺度来处理立体匹配等问题。然而，这种灵感被现如今的成本聚合方法当中所忽视了。本篇论文，将会介绍一个在成本聚合中多尺度相互作用的多尺度成本聚合算法。我们首先从统一优化的角度来形式化成本聚合，表明了不同的成本聚合方法本质上是其核的不同。接着，一种尺度内的规范化将会用在优化上同时解决这种新的优化问题。既然规范化项在相近的核中都是独立的，不同的成本聚合方法能够融入进通用的算法框架、实
Cross-Scale Cost Aggregation for Stereo Matching 源代码
12-19
立体匹配Cross-Scale Cost Aggregation for Stereo Matching论文源代码 c++ vs2019可实现 需要进行一下属性配置 已自测实现
【立体匹配和深度估计】Computer Vision Toolkit (cvkit)
RadiantJeral的博客
01-07 5950
Computer Vision Toolkit (cvkit) 是发布在 Middlebury Stereo Datasets 上的一套计算机视觉研究工具集。本文主要记录它的安装和使用方法。 文章目录1. cvkit 介绍2. cvkit 下载3. cvkit 安装3.1 在 Linux 下安装3.2 在 Windows 下安装3.2.1 使用预编译包安装3.2.2 在 Windows 下源码...
​实战 | 在真实场景实现双目立体匹配获取深度图
爱CV
09-23 741
目前大多数立体匹配算法使用的都是标准测试平台提供的标准图像对，比如著名的有如下两个： MiddleBury: http://vision.middlebury.edu/stereo/； KITTI：http://www.cvlibs.net/datasets/kitti/eval_scene_flow.php?benchmark=stereo 但是对于想自己尝试拍摄双目图片进行立体匹配获取深度图，进行三维重建等操作的童鞋来讲，要做的工作是比使用校正好的标准测试图像对要多的。因此博主觉得有必要从用双目相机
Cross-Scale Cost Aggregation for Stereo Matching立体匹配算法介绍
chuhang_zhqr的博客
01-10 8208
最近，研究了下CVPR2014上的一篇基于多尺度代价聚合的立体匹配算法，这个作者提供了原代码，运行了下，发现效果真心不错，不开后端处理的话，时间在0.4s左右。这个算法比较牛逼的有两点： 1：结合多尺度思想，对原始图像进行下采样，然后在每层图像上计算匹配代价，进行代价聚合，然后多尺度得到的视差进行结合，作为最终的代价聚合值。 2：提供了一个框架，里面包含立体匹配很多常用的经典的方法，可以在每一步
《GA-Net: Guided Aggregation Net for End-to-end Stereo Matching》笔记
qq_33278461的博客
06-04 1069
GA-Net 《GA-Net: Guided Aggregation Net for End-to-end Stereo Matching》 CVPR2019的一篇双目匹配论文，借鉴了一些传统方法SGM和滤波的思想，提出了两个网络层。 论文：https://arxiv.org/pdf/1904.06587v1.pdf 代码：https://github.com/feihuzhang/GANet 一、摘要 在双目匹配任务里，传统方法和深度学习方法里代价聚合都非常重要，可以获得更准确的视差。提出了两个新的网络层
【论文学习笔记-8】AANet：Adaptive Aggregation Network for efficient stereo matching（CVPR2020）
Imperfactions的博客
07-29 1233
AANet：Adaptive Aggregation Network for efficient stereo matching（CVPR2020） 本文提出了用尺度内成本聚合(intra-scale cost aggregation method)和尺度间成本聚合层(cross-scale cost aggregation algorithm)来完全替代常被使用的3D卷积层从而大大提高立体匹配算法的速度并保持有竞争力的准确度。在高速立体匹配算法领域(如Stereo-Net)达到了最好的表现。
《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020
qq_33278461的博客
06-25 2584
AANet 《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020，针对双目匹配任务的论文。 论文：https://arxiv.org/abs/2004.09548v1 代码：https://github.com/haofeixu/aanet 一、目的和贡献： 目前最好的立体匹配模型基本都用3D卷积，计算复杂度高且占用大量存储空间，本论文的目的就是完全替代3D卷积； 提出: 尺度内代价聚合模块：基于稀疏点，缓解边
【论文学习笔记-15】MADNet：自适应实时立体匹配网络（CVPR2019 ORAL）
Imperfactions的博客
08-27 1567
MADNet：自适应实时立体匹配网络（CVPR2019 ORAL）网络结构自适应模型
Cross-Scale Cost Aggregation Code
02-24
Cross-Scale Cost Aggregation for Stereo Matching论文的代码，即CSCA算法代码
(OpenCV CG匹配算法)Realistic CG Stereo Image Dataset with Ground Tru
08-04
Realistic CG Stereo Image Dataset with Ground Truth Disparity MapsUniversity of
middlebury datasets
03-15
middlebury dataset 用于双目立体视觉立体匹配时的图片
一文详解立体匹配数据集及其评价指标
3D视觉工坊
05-13 6484
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨HawkWang来源丨计算摄影学现在，我们知道立体匹配在实际应用中会有各种各样困难的问题需要解决，例如之前提到过的光照、噪声、镜面反射、遮挡、重复纹理、视差不连续等等导致的匹配错误或缺失。于是人们就创造了各种各样的算法来解决这些问题。我们不禁要问一个问题：我们如何公平的比较这些算法的优劣呢？这就是我在这篇文章中想...
目前深度学习开源数据集整理
林老头的博客
03-01 5300
Images Analysis 数据集 介绍 备注 网址 Flickr30k 图片描述 31,783 images，每张图片5个语句标注 链接 Microsoft COCO 图片描述 330,000 images,每张图片至少5个语句标注 链接 ESP Game 多标签定义图像 20,770 images，268 tags，诸如bed, light man,music 链接...
数据集 | 计算机视觉开源数据集（计算机视觉图像、定位、识别）
尘世冰封的专栏
12-12 2662
博主github：https://github.com/MichaelBeechan 博主优快云：https://blog.youkuaiyun.com/u011344545 计算机视觉数据集：https://github.com/MichaelBeechan/CV-Datasets Image Motion and Tracking 数据集 功能 解释 链接 ...
双目立体匹配算法：ELAS
热门推荐
dulingwen的博客
03-31 1万+
efficient large scale stereo matching
"Improving Unsupervised Defect Detection with Multi-Scale Feature Aggregation" (CVPR 2023)
最新发布
06-12
### 论文主要内容概述 论文《Improving Unsupervised Defect Detection with Multi-Scale Feature Aggregation》探讨了一种基于无监督学习的缺陷检测方法，其核心思想是通过多尺度特征聚合（Multi-Scale Feature Aggregation, MSFA）来增强模型对缺陷区域的感知能力[^2]。该方法利用不同尺度下的特征图，结合全局和局部信息，从而提高对复杂背景中微小缺陷的检测精度。此外，论文还提出了一种自适应权重机制，用于平衡不同尺度特征的重要性，确保模型在处理多样化的缺陷类型时具有更高的鲁棒性。 #### 多尺度特征聚合的核心技术 多尺度特征聚合通过融合来自不同卷积层的特征图，有效捕捉图像中的多层次信息。具体来说，模型首先提取浅层特征以获取高分辨率但语义信息较少的细节，同时提取深层特征以获得低分辨率但语义丰富的全局信息。随后，这些特征通过一种注意力机制进行加权融合，使得模型能够自动学习哪些尺度的特征对当前任务更重要[^3]。 #### 无监督学习的优势 该论文采用无监督学习框架，避免了传统监督学习方法中对大量标注数据的需求。通过设计特定的损失函数，模型能够在没有明确标注的情况下，自动区分正常样本与缺陷样本。这种方法特别适用于工业场景中缺陷样本稀少的情况，显著降低了数据收集和标注的成本[^4]。 #### 实验结果 实验部分展示了该方法在多个公开数据集上的优异表现，尤其是在 MVTec AD 数据集上，模型取得了比现有方法更高的 AUC（Area Under Curve）分数。此外，论文还通过可视化分析证明了多尺度特征聚合的有效性，显示了模型在捕捉细微缺陷方面的优势[^5]。 ### 下载链接及资源 目前，CVPR 2023 的论文通常可以通过官方会议网站或 arXiv 搜索获取。对于《Improving Unsupervised Defect Detection with Multi-Scale Feature Aggregation》，用户可以尝试以下方式获取： 1. 访问 CVPR 2023 官方网站并搜索相关论文。 2. 在 arXiv 上使用标题关键字进行搜索。 3. 如果上述方法不可用，可尝试通过学术搜索引擎如 Google Scholar 或 Semantic Scholar 查找。 以下是可能的下载链接示例（需根据实际情况验证）： - [arXiv 链接](https://arxiv.org/abs/XXXX.XXXXX) (如果已上传) - [CVPR 2023 官网](https://cvpr2023.thecvf.com/) (需注册账号) ### 示例代码片段 以下是一个简单的多尺度特征聚合实现示例，基于 PyTorch： ```python import torch import torch.nn as nn class MultiScaleFeatureAggregation(nn.Module): def __init__(self, in_channels, out_channels): super(MultiScaleFeatureAggregation, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=1) self.conv3 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.conv5 = nn.Conv2d(in_channels, out_channels, kernel_size=5, padding=2) self.fusion = nn.Conv2d(out_channels * 3, out_channels, kernel_size=1) def forward(self, x): feat1 = self.conv1(x) feat3 = self.conv3(x) feat5 = self.conv5(x) fused = torch.cat([feat1, feat3, feat5], dim=1) return self.fusion(fused) ```
评论
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