【技术实现步骤摘要】
本专利技术属于图像处理，更具体地，涉及一种基于匹配任务的多层图像特征提取及其模型训练方法。
技术介绍
1、图像特征的提取与匹配是即时定位与地图构建(slam)、运动恢复结构(sfm)等几何计算机视觉任务的基础技术。图像特征通常指包含图像局部区域部分属性的对象，例如图像中的点、线、面等几何特征等，特征匹配指建立具有相似属性的对象间的对应关系。目前主流的图像特征检测与匹配技术首先提取图像中的特征点以及其对应的描述子，通过描述子建立特征点之间的对应关系，从而得到两帧图像之间的几何变换信息。
2、特征提取方法可以分为传统的手工滤波器方法和基于深度学习的方法。传统的特征提取方法通过人工定义特征点属性，同时利用图像梯度等信息从图像中挑选符合条件的特征点及其对应的描述子。由于手工特征包含的图像信息较少，在光照、视角剧烈变化时容易导致检测结果不稳定以及匹配失败等问题。基于深度学习的特征提取方法可以使提取出的特征包含更多的信息，显著降低特征匹配的误差，但是不同的深度学习模型也存在的各种不同的问题，比如大幅度光照和视角变化不鲁棒，计算量大，计算...
【技术保护点】
1.一种基于匹配任务的多层图像特征提取模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多层图像特征提取模型通过多个损失函数进行训练，总损失收敛后训练完成。
3.根据权利要求2所述的方法，其特征在于，所述多个损失函数中包括：
4.根据权利要求2所述的方法，其特征在于，所述损失函数包括：
5.根据权利要求2所述的方法，其特征在于，所述损失函数包括：
6.根据权利要求1所述的方法，其特征在于，所述卷积的卷积核大小为3×3，步长为1；所述第二层网络中，三个卷积激活块的降采样比例...
【技术特征摘要】
1.一种基于匹配任务的多层图像特征提取模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多层图像特征提取模型通过多个损失函数进行训练，总损失收敛后训练完成。
3.根据权利要求2所述的方法，其特征在于，所述多个损失函数中包括：
4.根据权利要求2所述的方法，其特征在于，所述损失函数包括：
5.根据权利要求2所述的方法，其特征在于，所述损失函数包括：
6.根据权利要求1所述的方法，其特征在于，所述卷积的卷积核大小为3×3，步长为1；所述第二层网络中，三个卷积激活块的降采样比例分别为1/2，1/4和1/4；所述第三层网络中，所述稠密描述子...
【专利技术属性】
技术研发人员：韩斌，李卓昊，林一成，徐宇修，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。