基于联合注意力-可分离卷积的立体匹配算法

摘要

为解决立体匹配网络模型轻量化与高精度不能共存的问题，提出新的立体匹配算法CSA-Net（attention and separable convolution network）。该算法是在特征提取阶段，利用类ResNet进行特征提取，训练空洞金字塔池化（atrous spatial pyramid pooling, ASPP）模块扩大感受野，提取多尺度上下文信息，加入联合注意力机制（channel ang spatial attention module, CSM）,在空间和通道维度提高表征能力，关注重要特征并抑制不必要的特征。在特征融合阶段，将2D深度可分离卷积提升到3D来代替原网络中标准3D卷积在空间维度和通道维度分别进行卷积运算，以降低特征融合网络的参数量与模型运行时间。实验结果表明，本文所提出的立体匹配网络模型在KITTI 2012和2015数据集进行验证，在三像素匹配误差率为1.44%和2.24%,模型运行时间减少近1/3。因此，相比于其他算法实现了更高的匹配精度和更快的运行速度。