Guided Filter를 이용한 GA-Net Stereo Matching 개선

국문 초록 (Abstract)

두 대의 카메라의 양안 시차를 이용해 깊이를 판별하는 stereo matching 분야에서는 최근에 개발되어 가장 효율적 인 알고리즘인 GA-Net이 존재한다. 본 논문에서는 Guided filter라는 경계 처리 알고리즘을 이용해 GA-Net에서 얻어낸 결과를 개선하는 방법을 제안한다. GA-Net에서 얻어낸 결과와 원본 스테레오 이미지를 Guided filter로 합성해 세밀한 경계를 이전보다 정확하게 처리할 수 있는 방법을 제시한다. 실험 결과 GA-Net에서 얻어진 결과는 Guided filter를 사용하여 평균 오차가 16.3% 감소하였다. 또한, Guided filter에서 사용자가 설정해야 하는 파 라미터를 변화하면서 결과를 측정해 파라미터의 변화에 대한 결과 이미지의 경향성을 분석하였다.

다국어 초록 (Multilingual Abstract)

In the field of stereo matching, the depth is determined by the disparities between two cameras and GA-Net shows the most accurate performance. In this paper, we improve the depth results from GA-Net using guided filtering as an edge enhancement technique. Depth results from GA-Net and original stereo images are merged to produce more detailed depth images. Experimental results showed that the average error of the depth acquired by guided filter was decreased by 16.3%. We analyzed the depth results by controlling user-defined parameters in guided filtering.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. GA-Net 기반 Guided Filter 개선
• 2.1. GA-Net
• 2.2. Guided Filter
• 3. 실험 결과
• 3.1 실험 환경
• 3.2 실험데이터
• 3.3 결과
• 3.4 고찰
• 4. 결론
• Acknowledgement
• 참고문헌

참고문헌 (Reference)

1 나민영, "스마트 디바이스 제어를 위한 비전 기반 실시간 손 포즈 및 제스처 인식 방법" 한국차세대컴퓨팅학회 8 (8): 27-34, 2012

2 "https://github.com/feihuzhang/GANet"

3 "Vision Benchmark Suite" The KITTI(KIT, Karlsruhe Institute of Technology & TTI, Toyota Technological Institute)

4 H. Hirschmuller, "Stereo processing by semiglobal matching and mutual information" 30 (30): 328-341, 2008

5 A. Seki, "Sgm-nets: Semiglobal matching with neural networks" 6640-6649, 2017

6 J.-R. Chang, "Pyramid stereo matching network" 5410-5418, 2018

7 D. Scharstein, "Middlebury Dataset"

8 Schonberger, Johannes L., "Learning to fuse proposals from multiple scanline optimizations in semiglobal matching" 739-755, 2018

9 K. He, "Guided Image Filtering" 6 : 1397-1409, 2013

10 임지연, "Global R&D Trend and Challenges in Artificial Intelligence SW" 한국차세대컴퓨팅학회 12 (12): 33-46, 2016

11 F. Zhang, "Ga-net: Guided aggregation net for end-to-end stereo matching" 185-194, 2019

12 A. Kendall, "End-to-end learning of geometry and context for deep stereo regression" 66-75, 2017

13 J. Pang, "Cascade residual learning: A two-stage convolutional neural network for stereo matching" 887-895, 2017

14 A. Geiger, "Are we ready for autonomous driving? the KITTI vision benchmark suite" 3354-3361, 2012

15 Q. Yang, "A non-local cost aggregation method for stereo matching" 1402-1409, 2012

16 N. Mayer, "A large dataset to train convolutional networks for disparity, optical flow, and scene flow estimation" 4040-4048, 2016

17 N. Mayer, "A large dataset to train convolutional networks for disparity, optical flow and scene flow estimation" 483-499, 2016

18 황경조, "2D 및 3D 정보 융합 기술을 이용한 표지판 검출" 한국차세대컴퓨팅학회 7 (7): 61-70, 2011