基于深度学习的立体影像密集匹配方法综述

来源 :武汉大学学报(信息科学版) | 被引量 : 4次 | 上传用户:jimiwison
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
三维重建可用于数字高程模型制作、机器人导航、增强现实和自动驾驶等。视差图是三维重建中一种重要的表达方式,而立体密集匹配是使用最广泛的获取视差图的技术。近年来,随着硬件、数据集、算法的发展,基于深度学习的立体匹配方法受到了广泛关注并取得了巨大成功。然而,这些方法通常在近景立体像对中进行测试,很少被用于遥感影像中。回顾了双目立体匹配的深度学习方法,选出了代表性的5种经典深度学习模型——GC-Net(geometry and context network)模型、PSM-Net(pyramid stere
其他文献
现有的室内三维模型重建中,通常将墙等承担空间分隔作用的室内导航元素看作一个整体,通过对墙的提取来实现房间子空间的分割。然而,一面墙的两个墙面形态上的差异会造成室内三维重建过程中房间细节的损失,并且引起门窗提取的困难。针对这一现象,提出了一种细化空间分隔的思想,通过将一面墙细化为两个墙面,利用区域生长算法获取墙面角点,从而获得室内的精细化表达;同时利用对应墙面上对应区域的点云密度比对方法,规避门窗提
随着新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)疫情在全世界的暴发,与疫情相关的研究不断增加,但目前的研究更多关注的是预测分析方面,与疫情防控措施有关的研究基本停留在统计学层面,且模型参数缺乏时空演变描述。为此,引入离散格网的粒度和边界虚实线分别描述物理隔离措施的松紧程度及相邻空间的联通性和隔离性,以病床收治能力与格网之间的空间自相关性为基础设计了离散格网