摘要
针对传统卷积神经网络(convolutional neural network,CNN)在立体匹配过程中存在信息损失和耗时等问题,提出了基于可变形和深度可分离卷积的立体匹配算法.在特征提取过程中,利用可变形卷积和可变形卷积核构建残差网络,完成自适应学习,扩大有效感受野,从而适应物体的不同形变,获取更详细的特征,减少信息损失,提高了匹配精度.在特征聚合阶段,采用深度可分离卷积构建深度可分离聚合网络,在空间维度和通道维度分别进行卷积运算,以降低参数量和计算复杂度,保证了匹配实时性.在相关的数据集上进行测试,实验结果表明,算法的网络运行时间缩短为1.60 s,在KITTI 2015和KITTI 2012数据集上三像素错误率分别为2.84％和2.79％,在SceneFlow数据集上端点误差为1.59％.相比其他基准网络,减少了网络模型的运算量同时算法精度有很大提升.
NETL
NSTL
维普
万方数据