-
公开(公告)号：CN109005398B
公开(公告)日：2020-08-04
申请号：CN201810844767.0
申请日：2018-07-27
Applicant: 杭州电子科技大学
IPC: H04N13/106 , G06N3/04
Abstract: 本发明公开了一种基于卷积神经网络的立体图像视差匹配方法，本发明基于现有的用于视差估计的端到端学习几何和上下文的深度立体回归算法，通过改进其所用的几何上下文卷积神经网络，利用LSTM神经网络作为网络层替代原本网络模型中的soft‑argmin网络层操作。相比于原有的依靠人工定义规则的soft‑argmin网络操作，LSMT通过网络学习出一个规则，以此来提高网络性能，提高亚像素的准确性，得到更加精确的视差估计图，而且LSTM网络擅长处理成本序列，加快了网络的处理速度，提高匹配效率。
-
公开(公告)号：CN109005398A
公开(公告)日：2018-12-14
申请号：CN201810844767.0
申请日：2018-07-27
Applicant: 杭州电子科技大学
IPC: H04N13/106 , G06N3/04
Abstract: 本发明公开了一种基于卷积神经网络的立体图像视差匹配方法，本发明基于现有的用于视差估计的端到端学习几何和上下文的深度立体回归算法，通过改进其所用的几何上下文卷积神经网络，利用LSTM神经网络作为网络层替代原本网络模型中的soft-argmin网络层操作。相比于原有的依靠人工定义规则的soft-argmin网络操作，LSMT通过网络学习出一个规则，以此来提高网络性能，提高亚像素的准确性，得到更加精确的视差估计图，而且LSTM网络擅长处理成本序列，加快了网络的处理速度，提高匹配效率。
-
公开(公告)号：CN109191511A
公开(公告)日：2019-01-11
申请号：CN201810842268.8
申请日：2018-07-27
Applicant: 杭州电子科技大学
IPC: G06T7/55
Abstract: 本发明提出了一种基于卷积神经网络的双目立体匹配方法，通过改进现有的用于视差估计的DispNet网络模型，利用亚像素卷积来替代原本网络模型中的上采样层。相比于原上采样操作在较高的分辨率图像上进行，亚像素卷积直接在低分辨率图像上进行卷积计算，这不仅提高了计算效率，对于整个网络而言则加快了匹配速度，同时它还提高了网络模型的良好性能，增加了丰富的细节信息，解决了病态区域无法正确匹配的问题。
-
公开(公告)号：CN109191511B
公开(公告)日：2021-04-13
申请号：CN201810842268.8
申请日：2018-07-27
Applicant: 杭州电子科技大学
IPC: G06T7/55
Abstract: 本发明提出了一种基于卷积神经网络的双目立体匹配方法，通过改进现有的用于视差估计的DispNet网络模型，利用亚像素卷积来替代原本网络模型中的上采样层。相比于原上采样操作在较高的分辨率图像上进行，亚像素卷积直接在低分辨率图像上进行卷积计算，这不仅提高了计算效率，对于整个网络而言则加快了匹配速度，同时它还提高了网络模型的良好性能，增加了丰富的细节信息，解决了病态区域无法正确匹配的问题。
-
-
-
Search Results
4
records
(took 0.019 seconds)
