基于非对称空间金字塔池化的立体匹配网络

摘要

卷积神经网络因具有强大的表征能力而被广泛用于图像处理算法,但其在处理过程中存在耗时和信息损失等不足.为此,提出一种基于非对称空间金字塔池化模型的卷积神经网络结构.设计非对称金字塔池化方法融入立体匹配网络,以获取更详细的图像特征信息.分别叠加卷积核为3×3和1×1的卷积层,用于融合多尺度信息和提升网络收敛速度,同时将网络结构由4层增加至7层,以提高匹配精度.在KITTI和Middlebury数据集上进行视差预测,实验结果表明,与基准网络相比,该网络结构可使收敛时间缩短约50.1％,匹配错误率从6.65％降低至4.78％,在立体匹配中获得更平滑的视差效果.