?PaperWeekly 原創(chuàng) ·?作者｜張承灝

單位｜中科院自動(dòng)化所碩士生

研究方向｜深度估計(jì)

深度立體匹配（deep stereo matching）算法能夠取得較好的性能，一是來源于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力，二是得益于大規(guī)模雙目仿真數(shù)據(jù)集。

例如：Sceneflow [1] 是一個(gè)包含三萬多對(duì)雙目圖像的帶標(biāo)簽的合成數(shù)據(jù)集，Carla [2]? 是一個(gè)開放的城市駕駛模擬器，可以用來生成大規(guī)模城市雙目仿真數(shù)據(jù)。這些合成數(shù)據(jù)集使得深度模型能夠得到充分地訓(xùn)練。

然而，由于合成數(shù)據(jù)和真實(shí)數(shù)據(jù)存在很大的領(lǐng)域偏差（domain gap），在合成數(shù)據(jù)上預(yù)訓(xùn)練的模型在真實(shí)數(shù)據(jù)上泛化性能較差。

另一方面，真實(shí)場(chǎng)景下的數(shù)據(jù)往往難以獲得密集且準(zhǔn)確的標(biāo)注信息。比如 LiDAR 等設(shè)備價(jià)格高昂，體型笨重，而且只能收集稀疏的深度信息；基于結(jié)構(gòu)光的設(shè)備在室外場(chǎng)景難以捕捉準(zhǔn)確的深度信息。

近年來，更多的研究關(guān)注域自適應(yīng)立體匹配（domain adaptation stereo matching）。希望在不獲取，或者少獲取真實(shí)場(chǎng)景標(biāo)注信息的情況下，實(shí)現(xiàn)深度模型從仿真場(chǎng)景到真實(shí)場(chǎng)景的自適應(yīng)。

本文主要梳理了近兩年 CVPR 上關(guān)于域自適應(yīng)立體匹配的研究工作。

ZOLE

論文標(biāo)題：Zoom and Learn: Generalizing Deep Stereo Matching to Novel Domains

論文來源：CVPR 2018

論文鏈接：https://arxiv.org/abs/1803.06641

代碼鏈接：https://github.com/Artifineuro/zole

1.1 Motivation

這篇論文希望通過無監(jiān)督域自適應(yīng)，將合成數(shù)據(jù)上訓(xùn)練的模型泛化到新的真實(shí)場(chǎng)景中，比如手機(jī)拍攝的生活環(huán)境，或者自動(dòng)駕駛的城市街景。作者觀察到兩個(gè)現(xiàn)象：

泛化故障：合成圖像上預(yù)訓(xùn)練的模型在真實(shí)圖像上性能不好，原因在于視差圖的邊緣很模糊，并且在病態(tài)區(qū)域的視差估計(jì)是錯(cuò)誤的；

尺度多樣化：如果將一對(duì)雙目圖像上采樣一定比例，再輸入到預(yù)訓(xùn)練的模型中，那么預(yù)測(cè)出來的視差具有更豐富的細(xì)節(jié)信息，例如更銳化的目標(biāo)邊緣，更高頻的場(chǎng)景信息。

第一點(diǎn)觀察是存在的問題，作者借鑒圖論的知識(shí)，對(duì)視差圖做圖拉普拉斯正則化約束，采用迭代優(yōu)化的策略在真實(shí)場(chǎng)景上進(jìn)行自適應(yīng)。而第二點(diǎn)是優(yōu)勢(shì)，這種精細(xì)化的視差圖可以作為原尺度輸入圖像的視差標(biāo)簽，從而實(shí)現(xiàn)自監(jiān)督學(xué)習(xí)。

這實(shí)際上一種放大學(xué)習(xí)（zoom and learn），因此本文的方法被稱為 ZOLE。

1.2 Method

給定一個(gè)由深度網(wǎng)絡(luò)預(yù)測(cè)的視差圖 D，圖拉普拉斯正則化定義為：令視差圖上的圖像塊（patch）為 ，s 相對(duì)于一個(gè)具有m個(gè)頂點(diǎn)的圖 G 是光滑的，設(shè) 為圖 G 的拉普拉斯矩陣，那么圖拉普帕斯正則化就是 的值。

這個(gè)得到的值經(jīng)過求和，成為圖拉普拉斯正則化損失函數(shù)來訓(xùn)練深度模型。

那么如何從視差圖上構(gòu)造出這個(gè)圖 G 呢？作者將視差圖劃分為 M 個(gè)正方形小塊，并將其切片，這樣每個(gè)小塊 s 對(duì)應(yīng)一個(gè)長度為m的向量。連接像素 和像素 的邊權(quán)重 定義為：

其中 是一個(gè)閾值， 是像素 和像素 的距離度量。因此，構(gòu)造的圖 G 是一個(gè) - 鄰接圖。距離度量函數(shù)定義如下：

其中 和 分別是 的第 項(xiàng)和第 項(xiàng)， 實(shí)際上是所有圖像塊的集合 。距離度量的前一項(xiàng)是 K 維空間的距離，而后一項(xiàng)是像素空間的距離， 取 0.2。

假設(shè)共有 N 對(duì)雙目圖像，即 ，。前 對(duì)是真實(shí)圖像，后面 是合成圖像。那么對(duì)于深度立體匹配模型 ，令 是視差標(biāo)簽 ，其迭代優(yōu)化的目標(biāo)為：

目標(biāo)函數(shù)的前兩項(xiàng)可看作數(shù)據(jù)項(xiàng)，第三項(xiàng)是圖拉普拉斯正則化損失，可看作平滑項(xiàng)。其中第一項(xiàng)對(duì)應(yīng)真實(shí)數(shù)據(jù)， 是原始圖像上采樣后經(jīng)過模型預(yù)測(cè)，再縮放回原尺度的偽標(biāo)簽；第二項(xiàng)對(duì)應(yīng)合成數(shù)據(jù)， 是合成數(shù)據(jù)的視差標(biāo)簽。

作者認(rèn)為在真實(shí)場(chǎng)景下能夠估計(jì)視差的模型，應(yīng)該在仿真場(chǎng)景下仍然具有視差估計(jì)的能力，因此合成數(shù)據(jù)和真實(shí)數(shù)據(jù)是混合訓(xùn)練的， 和 是各個(gè)損失函數(shù)的權(quán)重。

自適應(yīng)迭代優(yōu)化的算法如下，是對(duì)上述目標(biāo)函數(shù)的具體化闡述。

1.3 Experiments

作者首先在智能手機(jī)拍攝的日常生活場(chǎng)景下進(jìn)行實(shí)驗(yàn)。由下圖可以看出，ZOLE 模型在真實(shí)場(chǎng)景下的視差圖更加平滑，但是能夠保持銳化的邊緣細(xì)節(jié)。

作者也在自動(dòng)駕駛的城市街景場(chǎng)景下進(jìn)行了實(shí)驗(yàn)，即 KITTI 數(shù)據(jù)集。由下圖可以看出，ZOLE 模型同樣可以產(chǎn)生準(zhǔn)確且精細(xì)化的視差圖，這得益于圖拉普拉斯正則化的約束。

L2A

論文標(biāo)題：Learning to Adapt for Stereo

論文來源：CVPR 2019

論文鏈接：https://arxiv.org/abs/1904.02957

代碼鏈接：https://github.com/CVLAB-Unibo/Learning2AdaptForStereo

2.1 Motivation

無監(jiān)督域自適應(yīng)算法的一種簡單實(shí)現(xiàn)是先在合成數(shù)據(jù)上采用有監(jiān)督的預(yù)訓(xùn)練，這可以看作是一種更好的參數(shù)初始化，之后在真實(shí)數(shù)據(jù)上采用無監(jiān)督損失函數(shù)進(jìn)行微調(diào)。這種自適應(yīng)方法簡單粗暴，微調(diào)時(shí)容易崩潰，并且準(zhǔn)確率不高。

這篇論文從元學(xué)習(xí)的方法出發(fā)，將自適應(yīng)的過程納入到學(xué)習(xí)的目標(biāo)中，由此可以得到一組更適合自適應(yīng)學(xué)習(xí)的參數(shù)。

模型不可知元學(xué)習(xí)（Model Agnostic Meta Learning，MAML）[3] 是few-shot learning中一種常用的元學(xué)習(xí)算法。給定一個(gè)訓(xùn)練集 ，令和任務(wù)相關(guān)的訓(xùn)練集和驗(yàn)證集分別是 和 ，其中 。

假設(shè)內(nèi)循環(huán)只有一次梯度下降，則整個(gè) MAML 的目標(biāo)可以寫為：

其中?是自適應(yīng)的學(xué)習(xí)率。這個(gè)目標(biāo)函數(shù)表明，在每次迭代優(yōu)化中，內(nèi)循環(huán)從公共基本模型 開始對(duì)每個(gè)任務(wù)執(zhí)行梯度下降更新（適應(yīng)步驟）。

之后，外循環(huán)對(duì)公共基本模型執(zhí)行一次梯度更新，更新的梯度是內(nèi)循環(huán)中特定任務(wù)的梯度的總和。作者將 MAML 的自適應(yīng)思想應(yīng)用到立體匹配中。

2.2 Method

上圖是論文的訓(xùn)練框架圖，作者采用合成圖像的視頻幀進(jìn)行在線自適應(yīng)學(xué)習(xí)，因此這里可以使用有監(jiān)督損失 進(jìn)行評(píng)估。在真實(shí)場(chǎng)景中適應(yīng)時(shí)，只有無監(jiān)督損失 可以用。

因此，這是一個(gè)將自適應(yīng)過程加入到學(xué)習(xí)環(huán)節(jié)的學(xué)習(xí)自適應(yīng)（learn-to-adapt，L2A）方法。

具體來說，對(duì)于每一個(gè) batch，含有 個(gè)視頻序列。由于視頻序列較長，并且有很多冗余部分，因此僅隨機(jī)采樣 幀視頻。

圖中藍(lán)色箭頭代表的是模擬自適應(yīng)階段，對(duì)應(yīng) MAML 中的內(nèi)循環(huán)。對(duì)于第一個(gè)采樣幀 ，先使用無監(jiān)督損失函數(shù) 對(duì)當(dāng)前視頻序列的模型進(jìn)行梯度更新，這是模擬在真實(shí)場(chǎng)景下的無監(jiān)督學(xué)習(xí)。

之后每次不僅采用無監(jiān)督損失更新，還采用有監(jiān)督損失 評(píng)估當(dāng)前模型的準(zhǔn)確率。當(dāng)采樣的視頻幀通過之后，將每個(gè)視頻序列的有監(jiān)督評(píng)估損失求和，作為整個(gè)立體匹配模型的梯度進(jìn)行更新。這對(duì)應(yīng)圖中的橙色箭頭，即 MAML 中的外循環(huán)梯度更新。

為了更清晰地理解自適應(yīng)的過程，可以看下面的算法流程：

算法的核心是第 9 步采用無監(jiān)督損失對(duì)當(dāng)前任務(wù)的模型 進(jìn)行梯度更新，模擬真實(shí)場(chǎng)景下的自適應(yīng)；第 10 步采用有監(jiān)督損失進(jìn)行評(píng)估，并進(jìn)行梯度累加；第 11 步采用累加的梯度對(duì)整體模型 進(jìn)行梯度更新。

除此之外，為了減少無監(jiān)督損失中錯(cuò)誤的視差估計(jì)對(duì)訓(xùn)練的影響，作者還設(shè)計(jì)了一個(gè)置信度函數(shù)，用來作為無監(jiān)督損失函數(shù)中每個(gè)像素點(diǎn)貢獻(xiàn)的權(quán)重。由于這種置信度是沒有顯式的監(jiān)督信息的，因此直接讓置信度網(wǎng)絡(luò)自動(dòng)地估計(jì)噪聲點(diǎn)所在的位置。

這種置信度可看作是無監(jiān)督損失的加權(quán)，具體的結(jié)構(gòu)如下圖所示：

2.3 Experiments

作者主要比較了有監(jiān)督訓(xùn)練和無監(jiān)督域自適應(yīng)，以及是否采用置信度函數(shù)的性能。

從上圖可以看出，比較直接的域自適應(yīng)是先監(jiān)督預(yù)訓(xùn)練，再無監(jiān)督 finetune，即 SL+Ad；而采用 L2A+WAd（即 L2A 自適應(yīng)+置信度函數(shù)）的性能要優(yōu)于這種簡單的自適應(yīng)方法，并且?guī)缀鹾屠硐氲挠斜O(jiān)督 finetune 性能相匹配。

MADNet

論文標(biāo)題：Real-time self-adaptive deep stereo

論文來源：CVPR 2019 Oral

論文地址：https://arxiv.org/abs/1810.05424

代碼鏈接：https://github.com/CVLAB-Unibo/Real-time-self-adaptive-deep-stereo

3.1 Motivation

ZOLE 和 L2A 這兩種方法都是從自適應(yīng)的準(zhǔn)確率上來考慮的，并沒有關(guān)注模型的速度。然而，在實(shí)際的自動(dòng)駕駛場(chǎng)景中，我們需要的是實(shí)時(shí)的深度估計(jì)模型。

因此作者在這篇論文中提出了第一個(gè)實(shí)時(shí)域自適應(yīng)立體匹配網(wǎng)絡(luò) MADNet（Modularly ADaptive Network）。

前面介紹過，一種簡單的完全自適應(yīng)（full adaptation）方法是采用無監(jiān)督損失進(jìn)行 finetune，但是這種訓(xùn)練方法在每次反向傳播時(shí)需要貫穿整個(gè)網(wǎng)絡(luò)。

盡管將網(wǎng)絡(luò)設(shè)計(jì)的更輕便簡單可以提升一些速度，但是反向傳播仍然需要較大的計(jì)算量，這樣使得達(dá)到實(shí)時(shí)的速度變得很困難。

作者認(rèn)為自適應(yīng)的時(shí)候可以只針對(duì)某些特定的模塊進(jìn)行反向傳播，而不需要對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行一遍，這樣既可以保證網(wǎng)絡(luò)具有一定的體量來滿足準(zhǔn)確性的要求，又能在自適應(yīng)的階段進(jìn)行在線學(xué)習(xí)，提升速度。

網(wǎng)絡(luò)自始至終都是處于訓(xùn)練的狀態(tài)，只要真實(shí)場(chǎng)景的視頻足夠長，那么網(wǎng)絡(luò)就能適應(yīng)的越來越好。

3.1 Method

上圖是 MADNet 的整體結(jié)構(gòu)。作者設(shè)計(jì)了一個(gè)輕量級(jí)的 encoder-decoder 結(jié)構(gòu)，編碼和解碼部分都是一個(gè)金字塔結(jié)構(gòu)。

編碼部分的 F1 到 F6 分別是 1/2 到 1/64 的分辨率，解碼部分的 D2 到 D6 是對(duì)應(yīng)于 F2 到 F6 分辨率的視差估計(jì)模塊，每個(gè) D 模塊都輸出該分辨率大小的預(yù)測(cè)視差圖。編碼和解碼中間的圓圈代表經(jīng)過 warp 操作構(gòu)造 cost volume（如上圖 c）。

上圖中（a）表示的是完全自適應(yīng)的方法，采用無監(jiān)督損失，對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行反向傳播，這種方法計(jì)算量比較大。

圖中（b）是作者提出的調(diào)制自適應(yīng)算法（Modular ADaptation，MAD），將相同分辨率的編碼和解碼模塊看做是一個(gè)合并的調(diào)制模塊 M。比如 F3 和 D3 組成 M3 調(diào)制模塊，在每次計(jì)算完損失之后，只選擇一個(gè)模塊進(jìn)行反向傳播，這樣就可以大大提升在線自適應(yīng)的速度。

那么在計(jì)算完損失之后，如何選擇需要進(jìn)行反向傳播的模塊呢？是按順序選擇還是隨機(jī)選擇？作者提出了一個(gè)啟發(fā)式的獎(jiǎng)勵(lì)-懲罰機(jī)制來動(dòng)態(tài)地選擇每次更新的模塊。下面是該算法的流程：

算法中 H 是一個(gè)包含了 p 個(gè) bins 的直方圖，每一個(gè) bin 對(duì)應(yīng)于一個(gè)調(diào)制模塊 M。第 7 行，每次從直方圖 H 的 softmax 分布中采樣概率最高的模塊 M，在第 9 行進(jìn)行梯度更新。接下來是一種啟發(fā)式的獎(jiǎng)勵(lì)-懲罰機(jī)制，用來調(diào)整直方圖中每個(gè) bin 的大小。

第 13 行的 是一種帶有噪聲的損失。第 14 行的 可以看做是用來衡量模塊有效性的度量。如果某個(gè)模塊有效，那么當(dāng)前的 就會(huì)比較低，使得 ，那么在第 16 行更新直方圖時(shí)概率就會(huì)增大。反之，模塊效率比較低， 就會(huì)大，使得 ，在更新時(shí)就是負(fù)權(quán)重。

3.2 Experiments

作者采用的 KITTI raw 數(shù)據(jù)集，它包含 Campus，City，Residential，Road 四種類型的視頻幀。

上表是 MADNet 在四種類型的數(shù)據(jù)集上先后自適應(yīng)的實(shí)驗(yàn)結(jié)果，可以看到如果不加自適應(yīng)，可以達(dá)到接近 40FPS 的速度。

如果采用無監(jiān)督完全自適應(yīng)，可以達(dá)到 15FPS；而采用了 MAD 調(diào)制模塊后，速度可以提升到 25FPS，精度降低也不多，這是因?yàn)楫?dāng)適應(yīng)到足夠多的視頻幀時(shí)，MAD 可以具有與完全自適應(yīng)同等的性能。

上表比較了不同自適應(yīng)方法的性能和速度。可以看到，不采用自適應(yīng)時(shí)速度最快，但是精度最低。只調(diào)整最后一層，Refinement 層或者 D2+Refinement，速度會(huì)有所降低，EPE 大幅降低，但是 D1-all 還是比較高。

相比于按順序的選擇調(diào)制模塊（SEQ）或者隨機(jī)選擇調(diào)制模塊（RAND），采用啟發(fā)式的懲罰-獎(jiǎng)勵(lì)機(jī)制達(dá)到的性能最高。

Guided Stereo Matching

論文標(biāo)題：Guided Stereo Matching

論文來源：CVPR 2019

論文鏈接：https://arxiv.org/abs/1905.10107

代碼鏈接：https://github.com/mattpoggi/guided-stereo

4.1 Motivation

和上面介紹的三種方法不同的是，這篇論文探討的是一種弱監(jiān)督的引導(dǎo)域自適應(yīng)立體匹配。盡管現(xiàn)有設(shè)備很難獲取密集而準(zhǔn)確的深度信息，但是只獲取十分稀疏的深度信息是比較容易辦到的。

如何只根據(jù)這些稀疏的標(biāo)簽就能完成從合成數(shù)據(jù)到真實(shí)數(shù)據(jù)的自適應(yīng)呢？作者在這篇論文中假設(shè)只采用 5%? 真實(shí)數(shù)據(jù)標(biāo)簽，提出一種引導(dǎo)匹配的域自適應(yīng)機(jī)制。

4.2 Method

在深度立體匹配網(wǎng)絡(luò)中，用來計(jì)算匹配代價(jià)的是 cost volume，根據(jù)計(jì)算方式不同有兩種形式，一是基于相關(guān)性的，其 cost volume 的大小是 H×W×(2D+1)；另一種是基于 3D 卷積的，其 cost volume 的大小是 H×W×D×2F。

這里 H 和 W 是圖像的高和寬，D 是特征通道數(shù)，F 是考慮的最大視差值。

作者希望通過真實(shí)數(shù)據(jù)的稀疏標(biāo)簽來增強(qiáng)其第 k 個(gè)通道的輸出。具體來說，引入了兩個(gè)大小均是 H×W 的輸入：系數(shù)矩陣 G 和二進(jìn)制掩碼 V，V中每個(gè)量表示 G 中元素是否有效。

對(duì)于坐標(biāo)是 (i, j) 的像素，如果?，那么就根據(jù)真實(shí)視差?來改變其特征。之后再利用深度神經(jīng)網(wǎng)絡(luò)自身的能力來應(yīng)用這些真實(shí)的稀疏標(biāo)簽。

之前的一些方法是采用置信圖來改變 cost volume，比如當(dāng)預(yù)測(cè)的視差 ，就將其置為 0。但是考慮到真實(shí)圖像的標(biāo)簽是十分稀疏的（5%）。

因此這樣做就會(huì)使得特征圖變成一個(gè)大部分是零的特征圖，只有零星的非零值，這是不利于深度網(wǎng)絡(luò)學(xué)習(xí)的。因此，一種替代的方式是采用以 為中心的高斯分布，其表達(dá)式如下：

其中 c 代表高斯分布的寬度，k 代表峰值的最大值，應(yīng)當(dāng)大于等于 1。因此，根據(jù)有效性 V，可以將高斯分布與整個(gè) cost volume 相乘來得到新的特征 ：

以上就是引導(dǎo)立體匹配的核心公式。

4.3 Experiments

作者分別采用兩種不同代表的深度立體匹配網(wǎng)絡(luò)來進(jìn)行實(shí)驗(yàn)，iResNet [4]?和 PSMNet [5]，并且在三種公開數(shù)據(jù)集（KITTI，Middlebury，ETH3D）上取得了更加優(yōu)越的性能。甚至對(duì)于傳統(tǒng)的 SGM 算法也有效。

上圖是在 KITTI 2015 數(shù)據(jù)集上的性能比較。可以看到，無論 iResNet 還是? PSMNet，只在合成數(shù)據(jù)上預(yù)訓(xùn)練再在真實(shí)數(shù)據(jù)上測(cè)試都會(huì)有很大的性能丟失。而加入稀疏標(biāo)簽的引導(dǎo)后，僅僅測(cè)試就能降低錯(cuò)誤率。

如果在訓(xùn)練時(shí)也加入引導(dǎo)，則更能進(jìn)一步降低錯(cuò)誤率。在其他幾個(gè)數(shù)據(jù)集上的結(jié)果也有類似的結(jié)論，大家可以下載論文看更詳細(xì)的結(jié)果。

總結(jié)

從近兩年 CVPR 的域自適應(yīng)立體匹配的發(fā)展來看，有以下幾個(gè)特點(diǎn)：

研究關(guān)注點(diǎn)從離線自適應(yīng)轉(zhuǎn)向在線自適應(yīng)，后者更加貼近實(shí)際應(yīng)用場(chǎng)景；

從努力提升算法精度，到開始關(guān)注模型效率，推理速度，邁向?qū)崟r(shí)的域自適應(yīng)算法；

在合成數(shù)據(jù)和真實(shí)數(shù)據(jù)不變的情況下，探索更有效的訓(xùn)練算法是實(shí)現(xiàn)域自適應(yīng)的突破口，可以從其他領(lǐng)域的進(jìn)展來借鑒；

僅有稀疏的真實(shí)標(biāo)簽就能夠大幅提升域自適應(yīng)的性能。

參考文獻(xiàn)

[1] Mayer, N., Ilg, E., Hausser, P., Fischer, P., Cremers, D., Dosovitskiy, A., Brox, T.: A large dataset to train convolutional networks for disparity, optical flow, and scene flow estimation. In: CVPR 2016.?

[2] Alexey Dosovitskiy, German Ros, Felipe Codevilla, Antonio Lopez, and Vladlen Koltun. Carla: An open urban driving simulator. arXiv preprint arXiv:1711.03938, 2017.?

[3] Chelsea Finn, Pieter Abbeel, and Sergey Levine. Model agnostic meta-learning for fast adaptation of deep networks. In PMLR 2017.?

[4] Zhengfa Liang, Yiliu Feng, Yulan Guo, Hengzhu Liu, Wei Chen, Linbo Qiao, Li Zhou, and Jianfeng Zhang. Learning for disparity estimation through feature constancy. In CVPR 2017.?

[5] Jia-Ren Chang and Yong-Sheng Chen. Pyramid stereo matching network. In CVPR 2018.

點(diǎn)擊以下標(biāo)題查看更多往期內(nèi)容：?

• 聯(lián)合檢測(cè)和跟蹤的多目標(biāo)跟蹤算法解析
  

• CVPR 2020?| 曠視研究院提出雙邊分支網(wǎng)絡(luò)BBN
  

• 淺談多目標(biāo)跟蹤中的相機(jī)運(yùn)動(dòng)
  

• 雙目深度估計(jì)中的自監(jiān)督學(xué)習(xí)概覽
  

• CVPR 2020 三篇有趣的論文解讀
  

• ICLR 2020 | GAN是否真的判斷出了數(shù)據(jù)的真假？

????

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的从近年CVPR看域自适应立体匹配的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。