[發明專利]一種基于深度學習的特征點檢測與描述子生成方法在審
| 申請號： | 202210024765.3 | 申請日： | 2022-01-11 |
| 公開（公告）號： | CN114972937A | 公開（公告）日： | 2022-08-30 |
| 發明（設計）人： | 任鵬舉;宋翔;丁焱;景鑫;焦崇珊;毛藝鈞;于航 | 申請（專利權）人： | 西安交通大學 |
| 主分類號： | G06V10/80 | 分類號： | G06V10/80;G06V10/74;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京中濟緯天專利代理有限公司 11429 | 代理人： | 覃婧嬋 |
| 地址： | 710049 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 特征 檢測 描述 生成 方法 | ||
1.一種基于深度學習的特征點檢測與描述子生成方法，包括如下步驟：
S100：構建新的卷積神經網絡；
S200：利用所述新的卷積神經網絡預測輸入圖像的特征點并且生成描述子向量；
其中，所述新的卷積神經網絡結構由兩部分組成，第一部分為編碼器，用于輸入圖像的特征編碼；第二部分為3個解碼器，第一個解碼器生成描述子特征圖，第二個解碼器生成特征點的獨特性特征圖，第三個解碼器由不同層的神經網絡特征拼接作為輸入生成準確度特征圖。
2.根據所述權利要求1的方法，優選的，所述編碼器由9個卷積層構成，前6個卷積層采用大小為3的卷積核，后三個卷積層采用大小為2的卷積核。
3.根據所述權利要求1的方法，所述編碼器中采用膨脹卷積代替一般卷積與下采樣過程。
4.根據所述權利要求1的方法，所述由不同層的神經網絡特征拼接作為輸入具體是指：由編碼器的第一層、第二層、第三層和第九層特征拼接作為輸入。
5.根據所述權利要求1的方法，采用深淺層特征損失函數來訓練所述準確度特征圖。
6.根據所述權利要求1的方法，采用獨特性損失函數來訓練所述獨特性特征圖。
7.根據所述權利要求1的方法，采用可微近似的平均精度AP作為損失函數來訓練所述描述子特征圖。
8.根據所述權利要求5的方法，所述深淺層特征損失函數為：
其中，A表示準確度特征圖，LF表示底層特征，為一組部分重疊的圖像，A[p]和LF[p]表示從A和LF中提取的扁平N×N的特征，coshl表示A與LF之間的余弦相似度，N為整數。
9.根據所述權利要求6的方法，所述獨特性損失函數為：
其中，I和I'表示一對匹配的輸入圖像,x為輸入圖像I的像素點，D(x)為像素點x的獨特性響應，K為像素點的數量；nx為利用描述子計算的獨特性指標。
10.根據所述權利要求1的方法，所述卷積神經網絡進行訓練過程中，采用數據增強的方法對數據集進行預處理，生成訓練集。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西安交通大學，未經西安交通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210024765.3/1.html，轉載請聲明來源鉆瓜專利網。
