作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。为了应对上述问题,提出了一种基于源模型贡献量化(Source Model Contribution Quantizing,SMCQ)的多无源域适应方法。具体而言,提出了源模型可转移性感知,以量化源模型的可转移性贡献,从而为目标域模型有效地分配源模型的自适应权重。其次,引入了信息最大化方法,以缩小跨域的分布差异,并解决模型退化的问题。然后,提出了可信划分全局对齐方法,该方法用于划分高可信和低可信样本,以应对域差异引起的嘈杂环境,并有效降低标签分配错误的风险。此外,还引入了样本局部一致性损失,以减小伪标签噪声对低可信样本聚类错误的影响。最后,在多个数据集上进行实验,验证了所提方法的有效性。
高效匹配对选择和影像特征匹配直接决定无人机影像运动恢复结构(structure from motion,SfM)的效率。联合词汇树的倒排和正向索引结构,提出无人机影像匹配对选择和特征匹配加速算法。首先,利用词汇树的单词-影像倒排索引结构,基于影像...
详细信息
高效匹配对选择和影像特征匹配直接决定无人机影像运动恢复结构(structure from motion,SfM)的效率。联合词汇树的倒排和正向索引结构,提出无人机影像匹配对选择和特征匹配加速算法。首先,利用词汇树的单词-影像倒排索引结构,基于影像相似性的空间分布特征,设计了自适应阈值的词汇树检索算法;然后,利用词汇树的影像-单词正向索引结构,将显式最近邻描述子搜索简化为词汇树单词映射,设计了词汇树引导匹配算法。4组无人机影像的试验结果表明,所提的自适应阈值词汇树检索算法能够有效地筛选匹配对,避免传统固定阈值或比例算法导致的匹配对数量过多或不足的问题;在保证匹配精度的前提下,词汇树引导匹配算法的加速比达到156~228,并在无人机影像SfM空三中取得与经典最近邻搜索匹配相当的精度。
暂无评论