La visión estereoscópica es un campo floreciente que atrae la atención de muchos investigadores. Recientemente, aprovechando el desarrollo del aprendizaje profundo, los algoritmos de concordancia estereoscópica han logrado un rendimiento notable que supera con creces los enfoques tradicionales. Esta revisión presenta una visión general de los diferentes algoritmos de concordancia estéreo basados en el aprendizaje profundo. Por conveniencia, clasificamos los algoritmos en tres categorías: (1) algoritmos de aprendizaje no extremo, (2) algoritmos de aprendizaje extremo y (3) algoritmos de aprendizaje no supervisado. Hemos proporcionado una cobertura completa de los enfoques notables en cada categoría y hemos resumido los puntos fuertes, los puntos débiles y los principales desafíos, respectivamente. La velocidad, la precisión y el consumo de tiempo se adoptaron para comparar los diferentes algoritmos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Evaluación experimental de la adherencia a flexión de vigas de hormigón con barras de refuerzo de PRFV sometidas a cargas repetidas
Artículo:
Cálculo de la dimensión fractal de un nanocompuesto bimetálico de manganeso-cromo mediante procesamiento de imágenes
Artículo:
Reconocimiento del modo de locomoción con señales inerciales para un exoesqueleto de cadera
Artículo:
Fibras vegetales en compuestos poliméricos: una revisión
Artículo:
Nuevos materiales compuestos para la separación quiral a partir de celulosa y sulfato de bario
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Artículo:
Generadores para ideales asociados a diferencia de tablas de Ferrers y cómputo de los generadores para ideales de Ferrers