الوصف
حاولنا في مشروعنا استخدام شبكة عصبية تلافيفية لإخراج تكلفة مطابقة يمكن تجميعها وصقلها بعد ذلك لحساب التباينات حسب البكسل. لجعل التدريب فعالًا من الناحية الحسابية ، كان من الضروري استخدام شبكة متصلة بالكامل. لجعل الاختبار فعالاً من الناحية الحسابية ، كان من الضروري تحويل الشبكة المتصلة بالكامل إلى شبكة تلافيفية.
بمجرد حساب تكاليف المطابقة ، استخدمنا مخطط تجميع مدرك للسياق يسمى تجميع التكلفة الشاملة. ثم قمنا بتقدير التباينات باستخدام نهج التقليل “الفائز يأخذ كل شيء”. لقد استخدمنا أيضًا الاستيفاء الإطباقي لتحسين التباينات المحسوبة في البكسل. وجدنا أن النهج القائم على CNN يؤدي إلى خرائط تباين أكثر سلاسة من تلك التي تم الحصول عليها بنهج ساذج. المناطق ذات الملمس المنخفض والتي تعتبر تقليديًا من الصعب إنتاج قيم تباين لها تم تصميمها بشكل جيد من خلال هذا النهج. تم إنشاء النقوش من خرائط العمق لتقييم النتائج بشكل شخصي. الخطوة التالية بالنسبة لنا هي إجراء مقارنة صارمة بيننا
الأداء مقابل الحقيقة الأساسية لمجموعة البيانات الخاصة بنا. نظرًا لقيود الحوسبة ، لم نتمكن بعد من إجراء تقييمات شاملة ، لكننا في طور الحصول على هذه الموارد ، ونخطط لإنتاج كمية مقابل نتائج مجموعة البيانات في الأيام المقبلة.
(أعلى) الصورة اليسرى في زوج الاستريو (الأوسط) خريطة التباين التي تم إنشاؤها باستخدام الشبكة العصبية التلافيفية. (أسفل) خريطة تباين تم إنشاؤها باستخدام طريقة طرح 9 * 9. تأملات من خلال مقياس التفاوت.
(أعلى) الصورة اليسرى في زوج الاستريو (الأوسط) خريطة التباين التي تم إنشاؤها باستخدام الشبكة العصبية التلافيفية. (أسفل) خريطة تباين تم إنشاؤها باستخدام طريقة طرح 9 * 9.
أقصى تجمع في الشبكة العصبية التلافيفية
نواة في الشبكة العصبية التلافيفية
المراجعات
لا توجد مراجعات بعد.