【论文笔记-Stereo】Pyramid Stereo Matching Network
论文思想
- 使用ResNet提取特征
- 用dilated convolution增大感受野
- 用Pyramid pooling module，提取各个scale的特征，使之包含global的context信息
- 用feature volume shift构建volume
- 用stacked hourglass 3D CNN（encoder-decoder）来处理cost volume，在训练过程中使用不同层级的hourglass的输出算加权loss
- end-to-end stereo estimation
- 在KITTI上取得了当时最好的结果
笔记
结构
视差计算（回归方法）
DIsparity regression
与MC_CNN，Content-CNN不同，此时的d是连续值。
损失函数
smooth_l1_loss, 在目标检测中常被使用，对outlier的鲁棒性更强。（outlier容易造成梯度爆炸，把MSE>1的部分改为l1,梯度由（x-t）变为+-1）