深度學習架構取代手工進行特徵和相似性計算。特徵提取模組為具有共享權重的多分支網路實現。然後，使用以下功能進行匹配：1. 固定相關層（卷積實現）2.全連線神經網路產生匹配得分 3. 卷積網路後加relu
使用卷積或全連線網路能從資料中學習適當的相似性度量，而不是在開始時強加乙個相關層。前者準確但慢
cnn-crf，cnn計算能量方程的匹配項。然後，這將成為條件隨機字段 （crf） 模組的一元術語，該模組執行正則化。比早期方法使用更少的引數來獲得具有競爭力的效能。
cnn，前面計算代價卷耗記憶體–計算低解析度
圖中a、b、c 在將聚合要素饋入頂部網路之前，將pooling或迴圈融合單元集中。或者，可以對檢視對進行取樣，估計每對檢視的成本量，然後通過投票或池化 合併代價卷（圖中d）。前者稱為早期融合，後者稱為晚期融合。
後面具體方法待續。。。
2 第一類方法 立體匹配不同模組
固定尺度特徵提取 如圖1 一般為共享權重的多分支網路 每個影象乙個分支 輸出一特徵向量來描述乙個畫素對應path區域的特徵。通常由卷積層 空間規範層 池化層和 relu 組成。提取的尺度大小由每層中使用的卷積濾波器的大小以及卷積層和池化層的數量控制。一些技巧 1 為了在增加網路感受野的同時降低計算成...
Python 函式的第一類物件 使用
函式的第一類物件及使用 第一類物件 特殊點 可以當做值被賦值給變數 def func print 1 print func a func a 2.可以當做元素存放在容器中 def func print 1 lst func,func,func for i in lst i 3.函式名可以當做函式的引...
Python 函式是第一類物件
在很多資料中，經常會看到這樣一句話 python 中的函式是第一類物件 這裡所說的第一類物件，其實是指函式作為乙個物件，與其他物件具有相同的地位。關於這一點，guido 曾提過 first class everything 他對 python 的乙個發展目標就是所有的物件都是第一類物件。也就是說，所...