Bewertung der Auswirkungen von glanzlicht-berücksichtigender Datenaugmentation auf modernste Netzwerke zur Disparitätenschätzung

Beschreibung

Die Disparitätsschätzung spielt eine zentrale Rolle in der Computer Vision, insbesondere für die Tiefenwahrnehmung und 3D-Rekonstruktion. Während neuronale Netze in diesem Bereich bemerkenswerte Leistungen erzielt haben, stoßen sie bei glatten und strukturlosen Oberflächen wie Kunststoffen an ihre Grenzen. Um dieses Problem anzugehen, sollen moderne Netzwerke zur Disparitätenschätzung mit zusätzlichen Daten neu trainiert werden.

Voraussetzungen

Hervorragende Kenntnisse in der Python-Programmierung sowie Erfahrung im Bereich ML/DL