做的比较好的几个宠物网站,珠海市做网站,WordPress图片分类代码,如何为网站引流文章1 PSMNet
https://arxiv.org/pdf/1803.08669PSMNet文章博客PSMNet文章中牵涉到的一些知识#xff0c;空洞卷积#xff0c;SPPNet网络#xff0c;计算视差时用soft argmin代替argmin文章中引入了空洞卷积和SPPNet网络来融合多尺度的信息#xff0c;又引入3D卷积来增加模…文章1 PSMNet
https://arxiv.org/pdf/1803.08669PSMNet文章博客PSMNet文章中牵涉到的一些知识空洞卷积SPPNet网络计算视差时用soft argmin代替argmin文章中引入了空洞卷积和SPPNet网络来融合多尺度的信息又引入3D卷积来增加模型的表现能力引入了soft argmin来拟合视差在计算loss方面从中间层就引出对视差的loss进行加权得到总的loss
文章2 GCNet
论文https://arxiv.org/pdf/1703.04309GCNet文章博客博客1文章中引入了3D卷积并引入了3D卷积的沙漏结构又首次提出了soft argmin代替argmin拟合视差可以得到连续的视差值消融实验证明了3D卷积结构和soft argmin拟合视差的有效性
文章3 stereoNet
论文https://arxiv.org/pdf/1807.08865stereoNet博客stereoNet代码主要贡献时为了实时性通过降低在计算costvolume之间的feature的分辨率增加了实时性而降低分辨率性能并没有降低但是出来初始的视差会因分辨率不高而没有细节接着后面让左图和初始视差图concat作为输入进行空洞卷积[convresblockx6conv]增加细节特征输出视差的残差视差残差作为新视差该模块迭代多次不断优化细节每个阶段都是inchannel31,outchannel1。最终的loss时soft L1 loss
文章4 AnyNet
论文https://arxiv.org/pdf/1810.11408AnyNet 博客博客1文章的主要贡献在于灵活可以在线根据需求输出每个阶段的视差提取特征用的Unet会输出多个分辨率下的特征图视差/残差估计用的Disparity Network就是cost volume 3D conv disparity regression,输出视差/残差如果只需要第一阶段的视差就满足要求第2、3阶段的残差就不需要计算了也就是本文的亮点灵活最后视差图又经过了一个SPNet来锐化视差图
文章5 HSM-Net
论文https://arxiv.org/pdf/1912.06704HSM-Net 博客博客1提取特征阶段利用类似Unet结构提取多尺度的特征信息这其中在沙漏最细的最后一层插入了SPP网络主要是增加感受野SPP不同pooling的结果进行了等权重0.25的相加作为这一层的最终特征然后每种分辨率的特征图都构建cost volume共4个分辨率的cost volume分别送入volume解码模块解码模块也是一些卷积操作conv3dSPPupConv3d其中SPP中的操作和上一阶段特征提取的操作类似也是等权重0.25的加权每个decoder都输出两个一个叫做feature volume, 一个叫做cost volume其中feature volume输入到下一阶段的docoder而cost volume代表当前阶段的匹配误差要哪个阶段的输出直接使用soft argmin计算得到视差使用自动驾驶仿真平台生成一些合成数据
文章6 FADNet
论文 https://arxiv.org/pdf/2003.10758FADNet 博客博客1FADNet是沿用了DispNet的结构在DispNet上进行修改将特征提取的conv2d层替换成dual-resblock即残差模块以增加网络深度在cost volume时做了消融实验证明D20时效果最好太大和太小会造成拟合不足或者过拟合。两个网络RB-NetC预测多尺度视差RB-NetS预测多尺度视差的残差因为有多尺度的视差预测在训练时引入了随着训练步数的增加逐渐增加大尺寸的预测视差权重直到为1.0达到从粗到细的目的因为是3Dconv所以比较好部署速度也快
文章 7 AANet
论文 https://arxiv.org/pdf/2004.09548AANet 博客更总结的博客1文章中有个知识点叫做可变卷积 deformable conv原理博客代码实现AANet主要有两个贡献点一个是同尺度内的自适应的聚合模块其实使用deformable conv实现的即可变卷积实现主要为了解决视差不连续处的边缘膨胀问题自适应的聚合就可以灵活的查找更有效的聚合点本质上可变卷积就是用一个单独的conv学一个offset,加到传统卷积的位置上 另一个贡献是不同尺度间的聚合模块是为了解决弱纹理区域匹配问题小尺度的cost volume在弱纹理区域更具有分辨性所以多尺度间融合是有必要的其实就是上采样和下采样后累加起来这两个模块组合起来乘坐AAmodels我们使用了6次 AAmodels视差采用soft argmin 拟合loss采用平滑L1 loss
文章 8 RAFT-stereo
论文 http://arxiv.org/pdf/2109.07547RAFT-stereo 博客文章中的知识点用于计算cost volume torch.einsum迭代模块GRUGRU视频解释看不懂直接当做一个模块【像resblock】使用即可 自动驾驶仿真器平台
https://zhuanlan.zhihu.com/p/105492011
https://github.com/princeton-vl/infinigen?tabreadme-ov-file https://arxiv.org/pdf/2312.00343 High-frequency Stereo Matching Network
