金字塔立体匹配网络
本文提出了一种新的基于深度学习的方法,用于估计给定一对 360 全景图的房间布局,并使用称为 PSMNet 的系统,其中包含一个端到端的联合布局 - 姿态估计器,能够显著优于现有的布局估计器,特别是在大型和复杂的房间空间中。
Mar, 2022
本研究提出了 SPP-net 结构,通过空间金字塔池化策略,消除了深度卷积神经网络所需的特定输入图像大小的限制,可生成固定长度特征表示,显著提高了基于 CNN 的图像分类和目标检测方法的准确性,ILSVRC 竞赛中名列前茅。
Jun, 2014
本文提出了一种多任务网络 EdgeStereo,由一个背景视差网络和一个边缘子网络组成,通过设计上下文金字塔来编码多尺度上下文信息,并通过特征嵌入和基于边缘感知的光滑度损失正则化来融合边缘线索。经过实验证明,立体匹配和边缘检测可以相互帮助,并且该方法在 KITTI 立体和 Scene Flow 基准测试中均取得了最佳性能。
Mar, 2018
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络,使用特征增强模块和轻量级聚合模块来提高成本体积质量,从而取得与最先进的实时方法相当的性能,并展现出更好的泛化能力。
May, 2024
本研究基于卷积神经网络为计算视差匹配的成本聚合,并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证,结果表明其在所有三个数据集上优于其他方法。
Oct, 2015
本文提出了一种基于多通道深度卷积金字塔的人员匹配网络 (MC-PPMN),通过语义成分和颜色纹理分布的组合,学习分离的深度表征,并使用金字塔人员匹配网络来获得对应的表征,最终融合这些表征来执行人员重新识别任务。此外,通过统一的端到端深度学习方案在优化该提出的框架。在多个基准数据集上的广泛实验表明,我们的方法对最新的相关工作有显著的改进,特别是在排名 1 的识别率方面。
Mar, 2018
本文提出了一种针对差异变化较大的立体图像场景的通用视差关注机制( PAM),并结合外极约束和注意力机制,计算沿外极线的特征相似性来捕获立体对应关系。 基于该机制,我们还提出了用于立体匹配和立体图像超分辨率任务的视差关注立体匹配网络( PASMnet)和立体图像超分辨率网络( PASSRnet)。 实验结果表明,我们提出的 PAM 是通用的,可以在无监督的情况下有效地学习立体对应关系。 比较结果表明,我们的 PASMnet 和 PASSRnet 实现了当前最先进的性能。
Sep, 2020
本文介绍了一种利用基于不同区域的上下文聚合和金字塔场景分割网络的全局上下文信息的方法,以进行场景分割任务,并在各种数据集上取得了最先进的性能表现。该方法在 PASCAL VOC 2012 基准和 Cityscapes 基准数据集上创造了新的记录。
Dec, 2016