代价聚合部分，是SGM的核心 理解之的最重要途径是读paper，然而，相信很多py和我一样，看到这个图的时候，不知所云。我来解释一下： 首先，要理解这里表述的背景： 聚合路径在视差空间上是直线【见右图】，但是，根据沿着聚合路径视差的改变，投影到对应的匹配图像上，就不是直线了【见左图】 我们
github上边已经有很多开源的SGM代码了，下面就给出几个已经试过好用的代码，以免忘记下载的代码来自哪个连接。 gishi523 /semi-global-matching ：基于CSCT的SGM，并且用SSE4.1 and OpenMP进行优化，大概 10 fps / s。dhernandez0 /sgm ：《Embedded real-time stereo estimation via Se
算法概述 这篇文章是基于SGM的扩展参数模型，考虑了不同路径方向的单独惩罚，不同路径聚合代价的加权，以及与灰度梯度相关的惩罚。对于8个方向的SGM来说，扩展模型有20个参数，不宜进行手动调参，所以作者还提出利用covriance matrix adaptation evolution strategy （CMA-ES）进化算法来自
SKIP CONNECTIONS MATTER: ON THE TRANSFERABILITY OF ADVERSARIAL EXAMPLES GENERATED WITH RESNETS （跳跃连接的重要性，论使用ResNets生成的对抗样本的迁移性） 摘要 跳跃连接是当前顶尖的深度神经网络的一个必不可少的重要的组成部分，例如：ResNet, wideResNet, DenseNet, ResNeX
SAS ——VAR的蒙特卡罗估计法及评价 【程序一】 data c; set sjk7_1a; sgm=0; if n <1; proc means data=sjk7_1a; output out=c1 mean (r _ log)=m; data c1; modify c1; if n >0 then remove; data a; set sjk7_1a; if date >=19990101; options nodate nonotes nosource;
记录一下 代码参考：https://github.com/bkj/sgm 论文： https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4359315 理论部分参考： https://www.cnblogs.com/wxxuan/p/13595014.html https://zhuanlan.zhihu.com/p/49272032 https://zhuanlan.zhihu.com/p/159055657 ""&
