用于智能运输系统的自我完善的金字塔立体声网络

在自动驾驶中，基于立体视觉的深度估计技术可以帮助准确估计障碍物的距离，这对于正确的车辆路径规划至关重要。立体深度估计问题已被配制成深度学习模型与卷积神经网络。但是，这些模型需要大量的后处理，并且不具有对不良区域或新场景的强大适应能力。另外，由于在实际情况下难以标注真实地面深度，因此该系统的训练数据受到限制。

由中国科学院深圳先进技术研究院(SIAT)的张切石博士领导的研究小组提出了一种新的技术解决方案，以解决当前自动驾驶的深度估计问题。

研究人员提出了一种自我改进的金字塔立体网络，该网络可以直接获得回归视差而无需复杂的后处理，并且在不适定区域具有强大的鲁棒性。

此外，通过在线学习，提出的模型不仅可以解决数据限制问题，而且可以节省实践中在培训和硬件资源上花费的时间。同时，它具有对新场景的自我完善能力，可以根据测试数据及时及时调整，提高了预测的准确性。

实验和基准测试表明，所提出的网络可以实现深度估计，错误率为8.3%。