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:
Biosíntesis de nanopartículas de oro utilizando el extracto del fruto de Litsea cubeba para la reducción catalítica del 4-nitrofenol
Artículo:
Fabricación y caracterización eléctrica de un circuito basado en nanotubos de carbono multipared a temperatura ambiente
Video:
Jornadas Internacionales Ambientales Aplicadas: Tratamiento Biológico de Agua Residual Industrial.
Artículo:
Un marco de clasificación interpretable para extraer información de foros sanitarios en línea
Artículo:
Síntesis de alto cis-1,4-BR con neodimio para la fabricación de neumáticos
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Control y vigilancia de la calidad del agua de consumo humano
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
¿Por qué debemos conservar la fauna silvestre?