刘 瑾，季 顺 平．基于深度学习的航空遥感影像密集匹配［Ｊ］．测 绘 学 报，２０１９，４８（９）：１１４１－１１５０．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１９．２０１８０２４７．
GC-Net
采用端到端的学习策略，直 接 学 习从核线立体像对到深度图的可微映射函数。
第1步
ＧＣ－Ｎｅｔ将 视 差 看 作 第３维，构 建 图 像－视 差 张 量。由３Ｄ卷 积 学 习 特 征，得 到 最 优 视 差 图（即３Ｄ张 量中 的 一 个 曲 面）。在 图２中，立体像对首先通过一系 列 共 享 的２Ｄ卷 积 核 提 取 特 征 图。
第２步
将特 征 图 (Feature map)串 联 并 构 建 代 价 立 方 体（cost volume）。具 体 的，以 左 片 特 征 图 为 例，设其宽度和长度分别为ｗ和ｈ，右 片 相 对 于 左 片 的 最 大 视 差 为ｎ。将对应的右片特征图每次平移一个像素，即 共 生 成ｎ张 图。左片特征图与平移后的ｎ张 右 片 特 征 图逐 个 串 联，得 到ｗ×ｈ×（ｎ＋１）的３Ｄ张 量。
第３步
利 用３Ｄ卷 积 和３Ｄ反 卷 积 学 习 一 系 列 的３Ｄ特征 图，其 最 终 的 大 小 为Ｗ×Ｈ×ｎ。Ｈ和Ｗ分别 为 原 始 图 像 的 长 宽。
第４步
通 过 定 义 一 个SoftArgmin函 数，将３Ｄ特 征 图 压 缩 为２Ｄ视 差图ｄ′。最 后，采 用ｄ′与 参 考 视 差 图ｄ之 间 的 一 次范 式 误 差 作 为 代 价 函 数，反 向 传 播 并 迭 代 得 到 最优 参 数。
在 试 验 中，２Ｄ卷 积 部 分 包 含１８个 卷 积 层，每一 层 含３２个 卷 积 核，其 中 第１层的卷积核大小为５×５，剩 余１７层 均 为３×３。３Ｄ卷 积 部 分 包 含１４个 卷 积 层，卷 积 核 大 小 均 为３×３×３。前 两 层的卷积核个数为３２，后３层 为１２８，剩 余３Ｄ卷 积层 的 卷 积 核 个 数 为６４。反 卷 积 部 分 由５层 反 卷积 组 成，反 卷 积 核 大 小 为３×３×３，每 一 层 的 反 卷积核个数分别为６４／６４／６４／３２／１。
