基于RCF的精细边缘检测模型

针对目前基于深度学习的边缘检测技术生成的边缘粗糙及模糊等问题,提出一种基于更丰富特征的边缘检测(RCF)模型的端到端的精细边缘检测模型。该模型以RCF模型为基础,在主干网络中引入"注意力"机制,采用SE模块提取图像边缘特征,并且去掉主干网络部分下采样,避免细节信息过度丢失,使用扩张卷积技术增大模型感受野,并利用残差结构将不同尺度的边缘图进行融合。对伯克利分割数据集(BSDS500)进行增强,使用一种多步骤的训练方式在BSDS500和PASCAL VOC Context数据集上进行训练,并用BSDS500进行测试实验。实验结果表明,该模型将全局最佳(ODS)和单图最佳(OIS)指标分别提高到了0.817和0.838,在不影响实时性的前提下可以输出更精细的边缘,同时还具有较好的鲁棒性。

基于卷积神经网络的高效精准立体匹配算法

针对基于卷积神经网络的立体匹配算法普遍存在参数量巨大、精度不足等问题,提出一种基于卷积神经网络的高效精准立体匹配算法.首先设计了一个融合多尺寸上下文信息的特征提取网络,提高不适定区域(Ill-posed regions)的匹配精度;其次,改进现有的相似度计算步骤,在保证匹配精度的同时,大量减少了网络的参数量;最后,提出一种轻量级的基于注意力机制的视差精修算法,从通道与空间维度上关注并修改初始视差图错误的像素点.与GC-Net在标准数据集Sceneflow上的对比实验表明,该算法在参数量减少14%的同时,匹配精度提高超过了50%.