【论文学习笔记-6】立体匹配:MGM(More global matching)和R3SGM(Real-time Raster-Respecting global matching)
【论文学习笔记-6】立体匹配:MGM(More global matching)和R3SGM(Real-time Raster-Respecting global matching)
- Motivation
- MGM
- Method
- SGM与MGM的对比
- Experiment(双目匹配实验)
- R3SGM
- Method
- Experiment
- 硬件部署上的功耗和计算时间
- 双目匹配实验
本篇博客主要介绍MGM和R3SGM两篇文章,个人学习用途。
MGM(More global matching):
提出了MGM来改进SGM,提高结果的精确度,能够消除SGM算法中存在的Streaking Effect问题。
R3SGM(Real-time Raster-Respecting global matching):
改进了SGM,更改了动态规划过程,使matching过程更加硬件亲和,提高速度,同时略微下降了准确率
Motivation
由于SGM通过多个一维动态规划求解过程来获得当前像素点的修正值,对像素点的cost修正只依赖于一个星型区域的像素间关系,如图
上图中红点与所有的白点间的像素值关系均不能通过传统SGM算法进行修正。
因此有相当一部分位置不满足事先定义好的一维线性关系的临近元素之间不会有任何的信息交互和视差修正关系,因为他们之间没有任何一条一维通路可以互相传递信息。这导致了这些临近元素不能满足SGM想要达到的临近元素有相似的视差值这一假定前提,这也导致了经过SGM过程得到的视差图的准确率。MGM和R3SGM都是受此启发,改进了SGM算法,但它们又各有不同。
MGM
Method
MGM算法改进了SGM算法,将SGM算法中每个一维方向替换成两个垂直方向的视差信息平均,如图所示:
这样在总方向不变的情况下(如SGM有上下左右四个方向时,则MGM有上+右,右+下,下+左,左+上四个方向),能让每个方向的动态规划过程过得更多的信息,同时,这个结构让图像中每两个点之间都有至少一个方向的通路进行信息传输,解决了SGM的星型通路无法连通所有点的问题。
动态规划公式:
SGM与MGM的对比
Experiment(双目匹配实验)
R3SGM
R3SGM受到SGM和MGM的启发,考虑到MGM虽然解决了Streaking,但是考虑到两个垂直方向的cost最小化,同时还需要存储多个方向的信息并进行比较,这与FPGA读取信息及计算方式是相互冲突的, R3SGM综合了SGM和MGM的思想,设计了一种硬件亲和的半全局匹配算法。
Method
算法示意图,左图是MGM算法,右图是R3SGM算法
整个半全局匹配过程仅有一个计算过程,包含了四个方向的信息和,这样只需要一次计算流程,而不需要计算多个方向并进行Winner Takes All判断
Experiment
硬件部署上的功耗和计算时间
双目匹配实验
【论文学习笔记-6】立体匹配:MGM(More global matching)和R3SGM(Real-time Raster-Respecting global matching)相关推荐
- 【论文学习笔记-10】ActiveStereoNet(Google ECCV2018)主动式双目相机自监督学习立体匹配网络
[论文学习笔记-10]ActiveStereoNet(Google ECCV2018)主动式双目相机自监督学习立体匹配网络) 自监督训练方法 Experiment ORAL 针对双目立体匹配中无监督存 ...
- 【论文学习笔记-16】立体匹配:360SD-net
[论文学习笔记-16]立体匹配:360SD-net Contribution RelatedWork Method Experiment 本文利用两张360°摄像机获得的球形图片进行立体匹配,与双目立 ...
- 动态环境下的SLAM:DynaSLAM 论文学习笔记
动态环境下的SLAM:DynaSLAM 论文学习笔记 这篇文章 论文摘要 系统流程 相关环节的实现方法 神经网络检测图中动态物体(Mask R-CNN) Low-Cost Tracking 使用多视图 ...
- 识别和追踪主题层次的影响力者(来自2018 Machine Learning 论文学习笔记)
本文作者:合肥工业大学 管理学院 钱洋 email:1563178220@qq.com . 以下内容是个人的论文阅读笔记,内容可能有不到之处,欢迎交流. 未经本人允许禁止转载. 文章目录 论文来源 论 ...
- 论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning NDSS 2021录用文章 目录 论文学习笔记 POSEID ...
- 【论文学习笔记-2】高分辨率3D深度重建
[论文学习笔记-2] 高分辨率3D深度重建 背景介绍 模型 目标 Related Works 背景介绍 应用场景广泛:桥,电缆etc 高分辨率图像的特点:像素多,potential disparity ...
- Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social...》论文学习笔记
Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recom ...
- 论文学习笔记: Learning Multi-Scale Photo Exposure Correction(含pytorch代码复现)
论文学习笔记: Learning Multi-Scale Photo Exposure Correction--含pytorch代码复现 本章工作: 论文摘要 训练数据集 网络设计原理 补充知识:拉普 ...
- 网规第二版:第8章 网络规划与设计论文学习笔记(含历年真题)(完结)
第8章 网络规划与设计论文学习笔记 8.1写作范围要求 1.网络技术应用与对比分析 2.网络技术对应用系统建设的影响 3.专用网络需求分析.设计.实施和项目管理 4.下一代网络技术分析 8.2论文考试 ...
最新文章
- arcgis车辆轨迹动态_聪明反被聪明误 屏蔽车辆GPS被处罚
- ASP.NET Master Page
- 001Python路--入门
- 卷积神经网络(卷积层,激活函数Relu,池化层,计算公式及API解释)
- phppage类封装分页功能_php显示页码分页类的封装
- Idea怎么实现画类图
- 2K/XP/2003 系统登录密码破解
- y空间兑换代码_进行图像增广的15+种功能总结和Python代码实现
- java连接远程带有密码的mongodb数据库
- Vue中使用watch来监听数据变化
- SQL Server性能优化(13)看懂查询计划
- c语言中形参和实参的区别
- matlab中的imnoise信噪比,matlab语法fn=imnoise(f,'gaussian',0,0.02)是给f添加高斯噪声,其中数值0和0.02分别表示___和___?...
- 一种简易的直流电机正反转限位电路
- 电脑通过android手机上网
- win7网上邻居_win7系统关闭电脑端口的操作方法
- oracle起监听命令,lsnrctl oracle 监听器 命令行 操作命令 lsnrctl services
- php实现清空购物车前确认,php – 在Woocommerce中添加到购物车之前清空购物车
- 欧几里得数据与非欧几里得数据
- 如何更改mysql数据库的用户名和密码