[发明专利]基于深度学习视野自选择网络的密集匹配方法及系统

权利要求书

1.一种基于深度学习视野自选择网络的密集匹配方法，其特征在于，包含：

构建深度学习视野自选择网络，该网络结构包含多层级特征提取模块，匹配代价构建模块，用于获取不同尺度视野的多层级支路视差计算模块，用于线性插值的上采样模块，用于视差回归的单支路视差计算模块，用于通过距离加权计算表示视野匹配效果偏移损失的支路选择权重计算模块，及用于通过支路视差与对应支路像素来获取最终视差的输出模块；其中，多层级支路视差计算模块中，利用扩张率来控制视野大小，对多个视野支路设置不同的扩张率；支路选择权重计算模块中，在softmax通过引入温度项来选择最优置信度通道，并通过视差范围内整数点与回归视差偏移绝对值两者之间的距离及对应位置的概率来获取偏移损失；

收集场景样本数据，并将场景样本数据划分为训练样本和测试样本；利用训练样本对深度学习视野自选择网络进行预训练，并利用测试样本对预训练后的网络进行测试优化；

针对目标场景数据，利用测试优化后的深度学习视野自选择网络选取最佳视野来实现目标场景数据的密集匹配。

2.根据权利要求1所述的基于深度学习视野自选择网络的密集匹配方法，其特征在于，偏移损失具体计算过程包含：首先，通过视差回归方法计算像素点视差回归值；然后，以视差回归值为基准，计算每个像素偏移值的绝对值；遍历当前视差和最大匹配视差之间的视差值，对视差值对应的偏移值绝对值和位置概率乘积进行求和；依据求和结果来获取偏移损失。

3.根据权利要求1所述的基于深度学习视野自选择网络的密集匹配方法，其特征在于，假设c_k为输入张量x的第k个支路置信度测度，则其对应的概率表示为：，其中，N_path为支路的数量，T为温度项。

4.根据权利要求1或3所述的基于深度学习视野自选择网络的密集匹配方法，其特征在于，支路选择权重计算模块中，通过设置置信度网络对偏移损失进行调整，使其网络权重分布相符合，来获取偏移代价，其中，所述置信度网络采用三层卷积核结构的网络模型。

5.根据权利要求1所述的基于深度学习视野自选择网络的密集匹配方法，其特征在于，网络预训练和测试调优中，还包含：利用场景样本数据分别对每个支路视差计算的网络参数进行预训练和调优测试；通过支路视差标签之间的光滑损失和最终生成的视差标签之间的光滑损失来构建深度学习视野自选择网络的总损失函数。

6.根据权利要求1所述的基于深度学习视野自选择网络的密集匹配方法，其特征在于，所述场景样本数据包含作为训练样本用于预训练的SceneFlow数据集和作为测试样本用于测试调优的近景数据集和遥感数据集。

7.一种基于深度学习视野自选择网络的密集匹配系统，其特征在于，包含：模型构建模块、模型调优模块和密集匹配模块，其中，

模型构建模块，用于构建深度学习视野自选择网络，该网络结构包含多层级特征提取模块，匹配代价构建模块，用于获取不同尺度视野的多层级支路视差计算模块，用于线性插值的上采样模块，用于视差回归的单支路视差计算模块，用于通过距离加权计算表示视野匹配效果偏移损失的支路选择权重计算模块，及用于通过支路视差与对应支路像素来获取最终视差的输出模块；其中，多层级支路视差计算模块中，利用扩张率来控制视野大小，对多个视野支路设置不同的扩张率；支路选择权重计算模块中，在softmax通过引入温度项来选择最优置信度通道，并通过视差范围内整数点与回归视差偏移绝对值两者之间的距离及对应位置的概率来获取偏移损失；

模型调优模块，用于收集场景样本数据，并将场景样本数据划分为训练样本和测试样本；利用训练样本对深度学习视野自选择网络进行预训练，并利用测试样本对预训练后的网络进行测试优化；

密集匹配模块，用于针对目标场景数据，利用测试优化后的深度学习视野自选择网络选取最佳视野来实现目标场景数据的密集匹配。