Hierarchical Neural Architecture Search for Deep Stereo Matching 论文链接：https://arxiv.org/abs/2010.13501 代码链接：https://github.com/XuelianCheng/LEAStereo 第一个基于NAS的深度立体匹配网络，一个月前在KITTI上准确性排名第一！（目前排名第二），性能优于AANet、AutoDispNet等网络，代码现已开源！作者单位：莫纳什大学, 澳大利亚国立大学等

为了减少人工在神经网络设计中的工作，神经网络架构搜索（NAS）已成功地应用于各种高级视觉任务，例如分类和语义分割。NAS算法的基本思想很简单，即，为了使网络能够在一组操作（例如，具有不同过滤器大小的卷积）之间进行选择，人们便能够找到更适合该问题的最佳架构。在眼前。但是，到目前为止，NAS的成功还没有通过诸如立体匹配之类的low-level几何视觉任务获得。这部分是由于以下事实：由人类设计的最先进的深度立体匹配网络已经具有庞大的规模。基于当前可用的主流计算资源，将NAS直接应用于如此庞大的结构在计算上是令人望而却步的。在本文中，我们通过将特定于任务的人类知识整合到神经体系结构搜索框架中，提出了第一个用于深度立体匹配的端到端分层NAS框架。具体来说，遵循用于深度立体匹配的黄金标准pipeline（即特征提取-特征体积构建和密集匹配），我们共同优化了整个pipeline的架构。广泛的实验表明，我们搜索到的网络优于所有最新的深度立体匹配架构，在KITTI stereo2012、2015和Middlebury基准测试中，其准确性均名列第一；在SceneFlow数据集中，其准确性最高。网络规模和推理速度的改善。

内容中包含的图片若涉及版权问题，请及时与我们联系删除