3D стерео сети, основанные на глубоком обучении, дают более высокую производительность по сравнению с 2D сетями

3D стерео сети, основанные на глубоком обучении, дают более высокую производительность по сравнению с 2D сетями и традиционными стерео методами. Однако улучшение производительности достигается ценой увеличения вычислительной сложности, что делает эти сети непрактичными для применения в реальном мире. В частности, эти сети используют 3D свертки в качестве основной рабочей лошадки для уточнения и регрессии диспаратности.

Нашли для вас статью, авторы которой сначала показывают, что эти 3D-свертки в стереосетях потребляют до 94% всех операций сети и выступают в качестве основного узкого места. Далее они предлагают набор "plug-&-run" сепарабельных сверток для уменьшения количества параметров и операций. При интеграции с существующими современными стереосетями эти свертки приводят к 7-кратному сокращению числа операций и 3,5-кратному сокращению параметров без ущерба для их производительности.

Ссылка на статью: https://arxiv.org/pdf/2108.10216v1.pdf

Ссылка на GitHub (он пока пустой): https://github.com/cogsys-tuebingen/separable-3d-convs-for-stereo-matching

Источник: github.com

Комментарии: