基于深度学习的立体匹配

基于深度学习的立体匹配

1. 背景

传统的立体匹配算法多围绕损失计算和视差优化进行研究：

1. 设计良好的度量函数来计算匹配损失；

2. 使用局部或全局的方法为每个像素分配视差值。

这些算法均采用人工设计的浅函数，对于病态区域(如纹理少的区域等)往往不能得到正确的结果。

2. 解决方案

1. 基于监督学习的立体匹配方案（一般使用激光雷达获得样本准确的视差信息作为GroundTruth，样本的精度直接影响学习的效果。常用的数据集sceneFlow 数据集及kitti数据集）

2. 基于非监督学习的立体匹配方案（无需样本的视差真值，只需要左右图像即可，左->视差<-右（三维数据相互验证，迭代训练实现））
   论文《Unsupervised Learning of Stereo Matching》
   

2.1监督学习算法

基本思路：

网络结构主要由４个部分组成（特征提取、空间金字塔特征融合、匹配损失计算和视差回归）

•使用CNN分别对左右视角图像进行特征提取,并融合多尺度特征;

•连接左视角特征和平移的右视角特征,构建视差维度上稀疏的损失体,再使用３DCNN 学习并根据几何上下文信息计算匹配损失;

•重采样损失体到原始图片尺寸,用Softmax函数将损失值转化为视差概率分布,并通过视差回归函数输出亚像素的预测视差。

注：3D卷积的理解（https://www.jianshu.com/p/1bb8618dd7ae ）

2.1.1 PSM-Net

Code（https://github.com/JiaRenChang/PSMNet）

•创新点1（红框）-- 引入了空间金字塔池化模块（spatial pyramid pooling，SPP）。用SPP聚合多尺度的信息。

•创新点2（黄匡）-- 堆叠漏斗网络（stacked hourglass networks），用3D卷积做的encoder-decoder结构。降低算力，融合多级特征。

Error Rate-3	Cost_time	device
2.32	0.41s	Nvidia GTX Titan Xp

2.1.2 EdgeStereo

网络不仅能够预测视差图，还训练一个边缘子网络预测边缘图，将边缘信息整合到主网络中，指导视差学习。

Error Rate-3	Cost_time	device
2.08	0.32s	Nvidia GTX Titan Xp

2.1.3 GwcNet

Code（https://github.com/xy-guo/GwcNet ）

提出了“组相关”。所谓“Group-wise”就是对多通道的特征图沿着通道分组。比如文中实验部分提到的左右特征图是320通道的，就分为了40组，每组8个通道。组相关的计算是按照向量内积的方式，但是因为一组有多个通道，又不会丢失很多信息。

Error Rate-3	Cost_time	device
2.11	0.32s	GPU @ 2.0 Ghz

2.1.4 GA-Net

Code（https://github.com/feihuzhang/GANet ）

本文主要针对立体匹配中的代价聚合（从得到cost volume到softmax回归计算视差这一部分）进行优化，传统方法就是堆叠的3D卷积，3D卷积的参数量是很高的。而本文中提出了两种网络层，用更少的参数就可以达到相同的效果。一种是对半全局匹配的修改，称为半全局聚合层（semi-global aggregation layer），另一种是局部指导的聚合层（local guided aggregation layer），也是借鉴传统立体匹配方法的代价滤波策略（后面会稍微具体地解释）。前者聚合全图多个方向的代价，使得在遮挡区域、低纹理区域也有较好的估计；后者聚合局部代价来处理那些较细的结构和物体边缘。

Error Rate-3	Cost_time	device
1.81	1.8s	GPU @ 2.5 Ghz

2.1.5 SSPCV-Net

•加入语义分割任务

•构建多个不同尺度的cost volume

•针对多个cost volume，提出一种融合方式

Error Rate-3	Cost_time	device
2.11	–	–

2.1.6 WSM-Net

Code (https://github.com/wyf2017/WSMCnet )

提出一种在视差维度上使用稀疏损失体进行立体匹配的方法。采用宽步长平移右视角特征图构建稀疏的三维损失体，使三维卷积模块所需的显存和计算资源均降低数倍。采用多类别输出的方式对匹配损失在视差维度上进行非线性上采样，并结合两种损失函数训练模型,在保证运行效率的同时提高算法精度。在KITTI测试集上,与基准算法相比，所提算法不仅提高了精度，而且运行时间缩短了约４０％。

Error Rate-3	Cost_time	device
2.13	0.39s	GTX 1070

3. 算法验证及落地思考

3.1 算法的复现

测试数据集：kitti2015-train

测试网络：GA-Net；WSM-Net

网络名称	分辨率： W*H	EPE: 复现	ER-1: 复现/BenchMark	ER-3: 复现/BenchMark	device: 复现/BenchMark	CostTime: 复现/BenchMark
GA-Net-deep	1248*384	0.35	4.27/8.7	0.48/1.81	2080ti 11G /GPU @ 2.5 Ghz	2.34/1.8
GA-Net-11	1248*384	1.16/0.95	54.31	1.85	2080ti 11G /GPU @ 2.5 Ghz	1.60/0.95
WSMCnetEB_S2C3F32	768*384	0.74	5.85	2.08/2.13	2080ti 11G /GTX 1070	0.33/0.39
WSMCnetEB_S3C3F32	768*384	0.84	7.39	2.61	2080ti 11G /GTX 1070	0.26
WSMCnet	768*384	0.73	5.83	2.13	2080ti 11G /GTX 1070	0.57

EEP表示预测视差与真值之间的差值绝对值。

ED１表示每组图像对评价区域的错误像素百分比,其中EEP小于３或者1pixel或EEP小于真值５％时,认为是正确像素,否则为错误像素。

GA-Net-n：n为3D卷积的数量。

*_SmCnF32：m为3D卷积稀疏步长；n为每个平移步长内,对匹配损失进行多类别预测的数。

3.2 Middleburry v3 评估

数据：Middleburry stereo Evaluationv3–Adirondack

模型：GA-Net-deep

模型分辨率：960*672

Kitti性能：

EPE Error：0.35

Error Rate1: 0.087

Error Rate3: 0.0181

…

结论：模型的鲁棒性不强，在新场景下，性能下降严重。

3.3 落地思考

1. GA实时模型的速度对比：

device：TESLA P40 GPU

分辨率：1000*300

帧率：15-20

2. 常见的立体匹配模型，算力达到1Tops，移动端的直接部署较难，也存在轻量级的模型如下表，效果能否接受还需验证（未找到开源项目）。

3. 影响落地的两个因素性能和效率都不是很乐观，这方面的知识还需要深入学习和研究。

参考：https://www.zhihu.com/people/spade-66-82/posts（总结的非常到位）