《表1 各类方法在航空测试集上的错误率Tab.1 Results of different stereo methods on aerial dataset》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《摄影测量与深度学习》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如何有效地将KITTI数据集的训练模型应用于航空遥感图像密集匹配是兴趣点。数据为20幅航空图像，同时以LIDAR点云获取的深度图作为参考基准。受显卡容量限制，将航空图像裁剪到1000×300像素大小，并生成384幅立体像对用于测试。由于传统立体匹配的方法并不需要训练集，为公平起见，只在开源的KITTI数据集上训练模型，然后将模型直接应用于航空数据集上。训练和测试在Nvidia显卡Titan Xp上执行。表1列出了SGM、SURE软件、MC-CNN[34]及GC-NET[35]的比较结果。前二者为经典的立体视觉方法，后二者是深度学习方法的代表作。其中，MC-CNN只学习匹配代价，其他代价聚合、一致性检验部分与SGM相同；而GC-NET是一种端到端的从立体像对直接获取深度图的CNN方法。表1的结果显示，SGM的精度最低，而SURE最高。MC-CNN和GC-NET近似相等。比SGM要高出5个百分点，但比SURE低将近2个百分点。括号中的数值表示:如果采用航空影像数据自身进行训练，能达到的精度（训练集与测试集容量比例约为2∶1）。图2是较有代表性的一幅立体像对。左边是平地，右边是有层次的建筑物。图2（c）和图2（d）分别为SGM和深度学习的结果。这两种方法的唯一区别是代价函数的差异。绿色为正确匹配点，红色为错误点。无论是SGM还是深度学习的方法都在平地区域表现优秀。而在复杂的建筑物区，MC-CNN则更加优异。在深度急剧变化的边缘，SGM明显失误更多。虽然SURE的精度要比深度学习方法略高，但SURE用到了多视匹配的策略，而深度学习方法只利用了立体约束条件。因此，可以预见深度学习方法将会有很大的提升空间。