咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于卷积神经网络的SIFT特征描述子降维方法 收藏

基于卷积神经网络的SIFT特征描述子降维方法

Convolutional Neural Network-Based Dimensionality Reduction Method for Image Feature Descriptors Extracted Using Scale-Invariant Feature Transform

作     者:周宏浩 易维宁 杜丽丽 乔延利 Zhou Honghao;Yi Weining;Du Lili;Qiao Yanli

作者机构:中国科学技术大学环境科学与光电技术学院安徽合肥230031 中国科学院通用光学与表征技术重点实验室安徽合肥230031 

出 版 物:《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期:2019年第56卷第14期

页      面:113-120页

核心收录:

学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基  金:国家自然科学基金(41601379) 国家973计划(61322504) 

主  题:图像处理 神经网络 图像局部特征点提取 降维 

摘      要:针对128维尺度不变特征变换(SIFT)特征描述子进行图像局部特征点提取时匹配时间过长,以及三维重建进行特征点配准时的应用局限性,结合深度学习方法,提出一种基于卷积神经网络的SIFT特征描述子降维方法。该方法利用卷积神经网络强大的学习能力实现了SIFT特征描述子降维,同时保留了良好的仿射变换不变性。实验结果表明,经过训练的卷积神经网络将SIFT特征描述子降至32维时,新的特征描述子在旋转、尺度、视点以及光照等仿射变换下均具有良好的匹配效果,匹配效率比传统SIFT特征描述子效率提高了5倍。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分