[StreoDepth] DSMNet(Domain 정규): 픽셀급InstanceNorm
Pixel 등급의 영향이 큰 Streo Depth Estimation
그래서 DSMNet은 Domain 정규를 제시했다
계산법
Batch정규Batchsize=1시
Instance 정규화 후 Pixel마다 Channel 방향으로 정규화
공식으로 한번 보도록 하겠습니다.
class DomainNorm(nn.Module):
def __init__(self, channel):
super(DomainNorm, self).__init__()
self.instanceNorm = nn.InstanceNorm2d(num_features=channel, affine=False)
def forward(self, x):
x = self.instanceNorm(x)
return F.normalize(x, p=2, dim=1)
Instance 정규화 후 최대치의 제곱값으로 정규화합니까output = x/Max(x)^2
그렇군~!
파이트릭의 F.normalize에 대한 설명을 먼저 첨부합니다.
Streo Depth의 설치
Feature Extraction의 Batch 정규가 Domain 정규를 대체함
Domain 정규를 사용하면 색채, 스타일, illuminance에 대한 영향을 줄일 수 있을 것 같다
결실
Domain 정규화로 Channel 이 완성되었습니다.
Domain 정규를 사용하면 정밀도가 향상됩니다.
결론
·두메인 정규화 노멀라이제이션을 사용해 픽셀 단위로 채널을 정규화해 정밀도를 높였다.
간단하게 이루어져서 일반적으로 효과가 있다고 생각하지만 잘 사용하지 않으면 어디에 문제가 생기지 않을까요?
참고 문헌
Domain-invariant Stereo Matching Networks
https://arxiv.org/pdf/1911.13287.pdf
normalize(Pythorch 설치)
https://pytorch.org/docs/master/nn.functional.html#torch.nn.functional.normalize
DSMNet git
https://github.com/feihuzhang/DSMNet/blob/7b7763c33f74532e2f09983731e9c1543462fbf0/models/DSMNet.py#L17
Reference
이 문제에 관하여([StreoDepth] DSMNet(Domain 정규): 픽셀급InstanceNorm), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/minh33/items/b5a560b72c4eb124d638텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)