Resumen

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.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo, aprendizaje profundo, algoritmo de concordancia estereoscópica, logró un rendimiento notable, fin, cobertura integral, consumo de tiempo, enfoque notable, campo floreciente, estéreo diferente
• Keywords:algorithm, deep learning, stereo matching algorithm, achieved remarkable performance, end, comprehensive coverage, time consumption, remarkable approach, flourishing field, different stereo