《GA-Net: Guided Aggregation Net for End-to-end Stereo Matching》笔记

GA-Net

《GA-Net: Guided Aggregation Net for End-to-end Stereo Matching》
CVPR2019的一篇双目匹配论文，借鉴了一些传统方法SGM和滤波的思想，提出了两个网络层。
论文：https://arxiv.org/pdf/1904.06587v1.pd
代码：https://github.com/feihuzhang/GANet

一、摘要

在双目匹配任务里，传统方法和深度学习方法里代价聚合都非常重要，可以获得更准确的视差。提出了两个新的网络层分别来获取局部和全局的代价依赖关系；
SGA(半全局聚合层)：SGM算法的可微近似，提高遮挡区域、大的无纹理区域和反光区域(玻璃等)；
LGA(局部指导聚合层)：借鉴传统方法里的代价滤波策略，处理薄结构和物体边缘，弥补下采样和上采样的细节损失；
一个GA层相当于3D卷积层1/100的计算量，速度15-20fps，可以直接把这两层来替换常用的3D卷积，参数会少很多；
设计了一引导聚合网络GA-Net；
Scene Flow和KITTI上达到最佳效果。

二、相关工作

1.局部代价聚合：

匹配代价C是由每个像素在每个候选视差值d的地方计算来的代价，形状是 $H * W * D_{max}$ , 可以按照 $D$ 来划分成 $D_{max}$ 个切片。局部代价过滤的方法比较高效，对每一个像素$p=(x,y)$在视差为d时候的代价为相同切片里周围像素的加权平均。

公式：

$C^A(p,d)=\sum_{q\in{N_p}}\omega(p,q).C(q,d)$

$C(q,d)$：位置 $p$ 处候选视差为 $d$ 时候的代价值；
$C^A(p,d)$ ：局部聚合之后的代价。
有很多图像滤波方法都可以用到生成指导过滤的权重 $\omega$，局部聚合方法很快，可以达到实时。

2.半全局匹配：

半全局聚合方法，匹配代价和平滑性约束都被包含在一个能量函数 $E(D)$ 里, 问题是如何找到一个视差图 $D^*$可以让 $E(D)$ 最小。

$E(D)=\sum_p \{C_p(D_p) + \sum_{q \in N_p}P_1.\delta(|D_p-D_q|=1)+\sum_{q \in N_p}P_2.\delta(|D_p-D_q|>1)\}$

其中：
1）$\sum_p C_p(D_p)$ 是所有像素位置p的代价和；
2）$P1$ 是对像素 $p$ 的所有邻域像素 $q$的常数惩罚，如果它们在视差图上有小的不连续(视差相差为1)；
3）$P2$ 是较大的惩罚，针对邻域视差和$p$ 点视差相差大的时候(>1).

SGM从16个方向进行1维代价聚合，当方向为 $r$ 且候选视差为 $d$时的代价 $C_r^A(p,d)$聚合整合1维路径上的代价，定义为：

$C^A_r(p,d)=C(p,d)+min \begin{cases} C^A_r(p-r,d),\\ C^A_r(p-r,d-1)+P_1， \\ C^A_r(p-r,d+1)+P_1，\\ min_i{C^A_r(p-r,i)}+P_2，\\ \end{cases}$
其中：
1）$C(p,d)$ 是当前位置p在视差为d时候的代价；
2）$C^A_r(p-r,d)、C^A_r(p-r,d-1)、C^A_r(p-r,d+1)$是在当前方向 $r$ =上视差为$d、d-1、d+1$ 时的代价；
3）$min_i{C^A_r(p-r,i)}$ 是当前路径任意视差时的最小代价；
4）$P1、P2$是惩罚值。

三、Guided Aggregation Net

PSMNET，GCNET这些目前最好双目匹配网络都是通过叠加双目图像特征构造4D的匹配代价$(H*W*D_{max}*F)$，其中$F$ 是特征的大小，下一步就是代价聚合，最后是视差估计。GA-Net用的是SGA和LGA。

3.1 SGA

传统的SGM算法从各个方向迭代聚合匹配代价，是不可微的难以端到端训练神经网络。

3.1.1 直接用SGM会出现一些问题?

1)很多需要用户设置的参数(如$P_1,P_2$ )不能直接设置，会导致神经网络训练不稳定。
2)SGM的代价聚合和惩罚针对所有像素区域是固定的，没有根据环境变化自适应。
3)直接选择最小代价会导致视差估计时正面出现一些平行表面，属于hard操作。

3.1.2 针对以上问题修改后的SGM？

$C^A_r(p,d)=C(p,d)+sum \begin{cases} w_1(p,q).C^A_r(p-r,d),\\ w_2(p,q).C^A_r(p-r,d-1),\\ w_3(p,q).C^A_r(p-r,d+1),\\ w_4(p,r).{max}_{i}C^A_r(p-r,i). \end{cases}$
1)用户定义参数变为可学习参数，修改成了惩罚系数，可以更适应位置变化。
2)把外层的选择最小值改成了求和(没有损失精度)，最大池化换成了步长卷积。
3)把内层的选择最小值改成了求最大值，因为现在的学习目标是最大化正确深度的概率而不是最小化代价。

3.1.3 防止代价越来越大继续修改SGM？

$C_r^A(p,d)$ 在一条路径上会变的很大，SGM处理方法是减去一个值，这里把各项权重归一化处理：

公式如下：

$C^A_r(p,d)=sum \begin{cases} w_0(p,r).C(p,d),\\ w_1(p,q).C^A_r(p-r,d),\\ w_2(p,q).C^A_r(p-r,d-1),\\ w_3(p,q).C^A_r(p-r,d+1),\\ w_4(p,r).{max}_{i}C^A_r(p-r,i). \end{cases}$

$s.t. \sum_{i=0,1,2,3,4}w_i(p,r)=1$
这里是4个方向而不是SGM的16个方向，$w_0,w_1,w_2,w_3,w_4$ 对所有视差切片共享；

3.4.4 如何选择聚合值？

最后的聚合值$C^A(p)$ 是选择的四个方向最大的：

$C^A(p,d)=max_rC_r^A(p,d)$
最大值保留了最佳信息，保证聚合值不被其他方向模糊。

3.2 LGA

双目匹配里广泛使用的上采样和下采样会让薄结构和边界模糊，LGA通过学习几个指导滤波器来细化匹配代价，恢复薄结构信息。

3.2.1 代价过滤器定义为：

$C^A(p,d)=sum \begin{cases} \sum_{q \in N_p}\omega_0(p,q).C(q,d),\\ \sum_{q \in N_p}\omega_1(p,q).C(q,d-1),\\ \sum_{q \in N_p}\omega_2(p,q).C(q,d+1). \end{cases}$

$s.t. \sum_{q \in N_p}\omega_0(p,q)+\omega1(p,q)+\omega_2(p,1)=1$

3.2.2 和传统过滤方法的区别？

匹配代价的不同切片(一共$D_{max}$个切片)共享权重，但是传统代价过滤算法只用一个$K*K$的过滤核来过滤邻域的代价，LGA是用3个$K*K$的过滤器($\omega_0,\omega_1,\omega_2$)过滤像素$p$在视差$d,d-1,d+1$时候的代价。用 $K*K*3$ 的矩阵在 $K*K$ 区域聚合，针对的是每一个像素位置p的局部区域。

四、高效实现

匹配代价形状$H*W*D*F$，F是特征大小，引导子网的输出是$H*W*K*F(K=5)$,四个方向在一个切片d上共享聚合参数。
LGA权重矩阵$H*W*3K^2*F(K=5)$。SGA和LGA都可以并行进行计算。为了增加LGA的感受野用相同参数矩阵计算两次。

五、网络结构

5.1 网络四个部分

特征抽取模块：左右图共享权值抽取特征，堆叠的沙漏结构(PSM用的也是)最后输出4D代价；
代价聚合模块：几个SGA和LGA层；
引导子网：几个2D卷积层，输出reshape为SGA和LGA权重的形状；
视差回归：用softmax层和回归层；

5.2 和PSMNET、GCNET等的区别？

主要是代价聚合的地方不是纯堆叠3D卷积，用引导子网生成权重来做SGA和LGA。

六、Loss函数

用smooth L1，相比L2在视差不连续处更鲁棒，对离群点和噪声不敏感。

6.1 损失公式：

$L(\hat{d}, d)=\frac{1}{N} \sum_{n=1}^{N} l(|\hat{d}-d|)$
$l(x)=. \begin{cases} x-0.5,x>=1 \\ x^2/2, x<1 \end{cases}$
$|\hat d - d|$ ：预测视差和真值的绝对值误差；
N：有效像素总数，根据真值看是否有效。

6.2 怎么做视差估计:

$\hat d = \sum_{d=0}^{D_{max}} d* \sigma(-C^A(d))$
$\sigma$是softmax操作，对代价聚合后的代价softmax找到每个视差d的概率，然后对所有候选视差加权求和作为某位置最终视差。这样做比直接分类更鲁棒。

七、实验

Adam($\beta1=0.9, \beta2=0.999$)、batch_size=16(8个GPU)，random crop(240 * 576)，maxidsparity=192；
对所有图像通道减均值除标准差；
ScenceFlow数据集训练10个epochs，学习率0.001；
KITTI数据集在ScenceFlow预训练模型上继续训练640个epochs，前300个学习率0.001，后300个学习率0.0001。

7.1 GA层的实验

• 针对SGA层和LGA层数目和有无实验
  

结论：3个SGA和1个LGA层在ScenceFlow和KITTI都达到最佳，ScenceFlow的逐点误差EPE为0.84，预测结果相差一个像素的为9.9%，KITTI相差一个像素的为2.71%。

• GA层对精度的影响
  

结论： GA层对EPE平均提升0.5-1.0像素

• 代价聚合方法对比
  
  实验固定特征抽取部分，
  GA-Net-2：2个GA层+3个3D卷积的GA-Net超过了GCNET；
  GA-Net-7：3个GA层+7个3D卷积的GA-Net超过了PSMNET；
  结论：GA-Net参数少，精度高，几层3D卷积就可以达到很高的精度。

• softmax后的不同视差值的概率分布
  
  结论：
  带SGA和LGA的模型针对大的无纹理区域、反射区域、目标边界三种困难情况效果都更；

区域	问题	GA层效果
无纹理区域	没有有分辨性的特征，所以噪声多	SGA 用周围信息抑制噪声，LGA更关注真值处的峰值，可以细化结果
反射区域	亮度，光滑表面影响，出现一些错误匹配	修正错误视差匹配，更关注真值处的峰值
目标边界	容易被周围背景影响导致边界模糊	选择最大的空间聚合结果，有效的去除来自背景的错误匹配信息

7.2 GA层和3D卷积对比

7.2.1 SGA相比SGM的改变？

SGA是SGM近似可微表示；
1）无需用户定义参数(P1,P2)，端到端学习参数；
2）聚合方式由权重矩阵控制，引导子网学习几何和上下文信息来控制聚合的方向、范围和强度；

7.2.2 SGA在无纹理区域为什么比SGM更好？

SGA在大无纹理区域中避免了大多数的正面平行近似。
原因可能是：
1）不选最大或最小值，而用加权求和(更soft)；
2）回归损失比分类损失鲁棒；
9）有助于达到亚像素精度。

7.2.3 SGA和3D卷积比？

SGA更高效。
3D卷积是所有局部位置共享卷积核，必须要很多层才有好结果；
SGA一层就可以聚合半全局的信息，并且聚合方向、范围、强度都根据位置变化(不同几何和上下文信息)得到不同权重。

比如：SGA在遮挡和大的光滑处处理方式不同，而3D卷积在全图都进行相同处理。

• 最好的模型和经典模型对比

八. 推导

九、总结

提出了SGA和LGA层，可以替换常用的3D卷积代价聚合方式，更高效更快速。
虽然SGM也被引入到深度学习里，LGA的过滤方法也很多，估计很多人想过弄个类似的(global+local)方法，但是作者把他弄出来了，并且做了实验证实确实不错，挺不错的工作，算是比较靠谱的文章。
论文涉及到了SGM、SGM-NET和滤波相关内容可以简单看看也。