Resumen

Basándose en el marco de las máquinas de vectores soporte estructurales, este artículo propone dos enfoques para la restauración de la profundidad en diferentes escenas, a saber, el reescalado de márgenes y el reescalado de holguras. Los resultados muestran que ambos enfoques alcanzan una alta convergencia, mientras que el enfoque de holgura produce un mejor rendimiento en la precisión de la predicción. Sin embargo, debido a su naturaleza no descomponible, la aplicación del enfoque de holgura es limitada. Por tanto, este artículo introduce un nuevo método de aproximación de holgura para resolver este problema, en el que proponemos una forma modificada de definir las funciones de pérdida para garantizar la descomponibilidad de la función objeto. Durante el proceso de entrenamiento, se utiliza un método de bundle para mejorar la eficiencia computacional. Los resultados sobre conjuntos de datos de Middlebury muestran que el método de inferencia en profundidad propuesto resuelve la no descomponibilidad del método de escalado de holgura y consigue una precisión relativamente aceptable. Nuestro enfoque de aproximación puede ser una alternativa al método de escalado de holgura para garantizar un cálculo eficiente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:aproximación a la holgura, nuevo método de aproximación a la holgura, máquinas de vectores soporte estructurales, método de inferencia en profundidad, precisión relativa aceptable, método de escalado a la holgura, aproximaciones, artículo, resultados, conjuntos de datos de middlebury
• Keywords:slack approach, novel approximation slack method, structural support vector machines, depth inference method, relative acceptable accuracy, slack scaling method, approaches, paper, results, middlebury datasets