无监督密集匹配特征提取网络性能分析

P237; 随着人工智能的发展,基于深度学习的有监督密集匹配方法在虚拟、室内及驾驶等近景数据集上取得了不错的表现.针对航空影像密集匹配标签数据获取困难的问题,本文在无监督密集匹配框架下,借鉴多个有监督网络结构,分别在航空影像数据集和作为参照的近景数据集上测试了匹配精度,实现了网络结构模块与精度关系的定性分析,为进一步探索深度学习在测绘领域的实用化提供了重要的参考.试验在相同损失函数条件下,分别采用DispNetS、DispNetC、ResNet、GCNet、PSMNetB及PSMNetS网络结构进行测试.经分析,得出如下结论:①测试的网络结构中,PSMNetS在航空影像数据集和近景数据集上表现...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 51; no. 3; pp. 426 - 436
Main Authors 金飞, 官恺, 刘智, 韩佳容, 芮杰, 李庆高
Format Journal Article
LanguageChinese
Published 信息工程大学地理空间信息学院,河南 郑州 450001%信息工程大学地理空间信息学院,河南 郑州 450001 01.03.2022
西安测绘总站,陕西 西安 710054%西安测绘总站,陕西 西安 710054
Subjects
密集匹配;深度学习;无监督;特征提取;航空影像
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2022.20200503

Cover

More Information
Summary:P237; 随着人工智能的发展,基于深度学习的有监督密集匹配方法在虚拟、室内及驾驶等近景数据集上取得了不错的表现.针对航空影像密集匹配标签数据获取困难的问题,本文在无监督密集匹配框架下,借鉴多个有监督网络结构,分别在航空影像数据集和作为参照的近景数据集上测试了匹配精度,实现了网络结构模块与精度关系的定性分析,为进一步探索深度学习在测绘领域的实用化提供了重要的参考.试验在相同损失函数条件下,分别采用DispNetS、DispNetC、ResNet、GCNet、PSMNetB及PSMNetS网络结构进行测试.经分析,得出如下结论:①测试的网络结构中,PSMNetS在航空影像数据集和近景数据集上表现稳定,且精度最高,训练整体耗时少,具有实用化的潜力;②在监督方法中效果更好的网络结构在无监督方法中效果不一定更好,其精度不仅取决于网络自身的匹配能力,同时也依赖于网络与损失函数的兼容性;③孪生网络模块、相关信息融合模块、金字塔池化模块和堆叠沙漏模块与无监督损失函数兼容性良好,可提升网络精度,而iResNet的图像重构迭代精化模块与重构损失函数重复约束,会产生"负优化"的作用.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2022.20200503