GA-Net: Guided Aggregation Net for End-to-end Stereo Matching

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

摘要

       在立体匹配任务中，匹配损失配准是至关重要的在传统方法和深度神经网络模型中，为了精确估计差异。我们提出了两个新颖的神经网络层，目的去捕获一个局部和全局图像的成本依赖性。第一个是半全局聚集层，它是半监督匹配的一个可微近似，第二个是局部引导聚集层，它是使用了一个传统的损失滤波策略来简化结构。

        这两层用来代替广泛使用的3D卷积层，并存在计算损失和内存消耗，因为它是三次计算和内存的复杂度。在实验中，我们展示这个网络是一个两层引导集合块，非常容易地超过了先进的GC-Net，它含有19个3D卷积层。我们也训练了一个深度引导聚集网络（GA-Net），并且在Scene Flow 数据集 and KITTI 基准上相比当前先进的方法得到较好的精度。

                                                         

                           

结论

       在这篇文章，我们提出了较高效和有效的引导匹配损失聚集（GA）策略，包括半全局聚集（SGA），以及局部引导聚集（LGA）层进行端到端的匹配。GA层主要意义是在具有挑战的区域提高偏差估计的精度，例如遮挡、无纹理/反光区域和小结构。GA层能够用来去替换3D卷积的计算消耗和得到较高的精度。

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料