文档摘要：目前立体匹配网络通常面临图像特征获取不充分、语义信息丢失和速度慢等问题.为了改善网络的特征获取能力和运行效率,提出一种结合多重注意力机制和分组相关性代价卷的立体匹配算法.首先,采用基于双重注意力机制的策略,通过融合可变形卷积构建多尺度特征提取网络.通道注意力和空间注意力机制能够在不同分辨率的图像特征提取过程中充分优化特征信息.同时,引入可变形卷积可以自适应采样物体的形状和尺寸,从而提高计算效率.接着,在代价卷的构造过程中,采用分组相关性的方法,同时结合连接特征和相似度特征生成代价卷.这不仅减少了参数和计算量,还保持了语义信息的完整性.最后,通过交叉融合不同尺度下的代价卷,得到最终的代价卷,并经过视差回归得到不同分辨率的最终视差图.实验结果表明,该算法在KITTI2015数据集上取得了显著的成果.全区域误差率仅为3.02%,计算时间为0.16s,充分展示了该算法在保持低计算复杂度的同时获得了优越的匹配效果.
Abstract：Existingstereomatchingnetworksfrequentlysufferfrominadequateimagefeatureextraction,semanticinformationloss,andslowprocessingspeeds.Toamelioratethenetwork'sfeatureacquisitioncapabilitiesandoperationalefficiency,astereomatchingalgorithmthatcombinesmultipleattentionmechanismswithgroupingcorrelationcostvolumeswaspresented.Firstly,amulti-scalefeatureextractionnetworkwasconstructedbyfusingdeformableconvolutionbasedonadualattentionmechanismstrategy.Thechannelattentionandspatialattentionmechanismscanfullyoptimizefeatureinformationintheprocessofimagefeatureextractionwithdifferentresolutions.Atthesametime,theintroductionofdeformableconvolutioncanadaptivelysampletheshapeandsizeoftheobject,thusimprovingthecomputationalefficiency.Secondly,intheconstructionprocessofthecostvolume,themethodofgroupingcorrelationwasusedtogeneratethecostvolumebycombiningtheconnectionfeatureandthesimilarityfeature.Thisnotonlyreducesthenumberofparametersandcomputation,butalsomaintainstheintegrityofsemanticinformation.Finally,thefinalcostvolumewasobtainedbycross-fusingthecostvolumeunderdifferentscales,andthefinalparallaxmapwithdifferentresolutionswasobtainedbyparallaxregression.ExperimentalresultsshowthattheproposedalgorithmachievesremarkableresultsonKITTI2015dataset.Theerrorrateofthewholeregionisonly3.02%,andthecalculationtimeis0.16s,whichfullyshowsthatthealgorithmcanobtainsuperiormatchingeffectwhilekeepingthecomputationalcomplexitylow.
作者：赵业涛 郭龙源 曾毅 姜举 周晨明 彭怡书 Author：ZHAOYetao GUOLongyuan ZENGYi JIANGJu ZHOUChenming PENGYishu
作者单位：湖南理工学院机械工程学院,湖南岳阳414006湖南理工学院信息科学与工程学院,湖南岳阳414006
刊名：成都工业学院学报
Journal：JournalofChengduTechnologicalUniversity
年，卷(期)：2024, 27(4)
分类号：TP391.41
关键词：双目视觉 立体匹配 注意力机制 分组相关性 多尺度
Keywords：BinocularVision StereoMatching attentionmechanism groupingcorrelation multiplescales
机标分类号：TP391.41TN911.73P237
在线出版日期：2024年7月19日
基金项目：湖南省教育厅科学研究项目，国家自然科学基金结合分组相关性和注意力机制的立体匹配算法[
期刊论文] 成都工业学院学报--2024, 27(4)赵业涛 郭龙源 曾毅 姜举 周晨明 彭怡书目前立体匹配网络通常面临图像特征获取不充分、语义信息丢失和速度慢等问题.为了改善网络的特征获取能力和运行效率,提出一种结合多重注意力机制和分组相关性代价卷的立体匹配算法.首先,采用基于双重注意力机制的策略,通...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：双目视觉,立体匹配,注意力机制,分组相关性,多尺度,
|
|
1
