《表3 各算法的训练和测试时间》
从算法时间复杂度上考虑,本文在KITTI2015数据集上进行训练和测试,得到各个算法的时间复杂度如表3所示。从中可以发现,MC-CNN-fast方法网络训练时收敛最快,说明小网络和轻量级的模型参数有利于网络的快速收敛。本文方法在训练时间复杂度上和MC-CNN-fast相差不大,说明提取LG-LBP特征的过程耗时较短。对于测试而言,基于深度学习的方法相对于传统方法SGM具有明显优势。而本文方法在测试过程中不具有太大优势,主要源于LG-LBP特征提取需要消耗一定时间,但是相对于MC-CNN-fast方法,其在尽可能保证速度的同时提高了算法的匹配性能,在视差图的细节体现上具有一定的竞争性。
图表编号 | XD00131891500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 王旭初、刘辉煌、牛彦敏 |
绘制单位 | 重庆大学光电技术及系统教育部重点实验室、重庆大学光电工程学院、重庆大学光电工程学院、重庆师范大学计算机与信息科学学院 |
更多格式 | 高清、无水印(增值服务) |