采用类内迁移学习的红外/可见光异源图像匹配 |
| |
引用本文: | 毛远宏,贺占庄,马钟,毕瑞星,王竹平.采用类内迁移学习的红外/可见光异源图像匹配[J].西安交通大学学报,2020(1):49-55. |
| |
作者姓名: | 毛远宏 贺占庄 马钟 毕瑞星 王竹平 |
| |
作者单位: | 1.西安微电子技术研究所 |
| |
基金项目: | 国家自然科学基金青年科学基金资助项目(61702413); |
| |
摘 要: | 为解决异源图像匹配中样本量过少和成像原理不同导致成像差异的问题,提出了一种采用类内迁移学习的异源图像匹配网络(PairsNet)。该网络由特征提取子网络和匹配度量子网络两部分组成。特征提取子网络中存在4条卷积神经网络分支,其通过卷积神经网络分支提取出红外图像和可见光图像的特征。将可见光图像作为源域、红外图像作为目标域进行迁移学习,通过减小两个域中样本特征的类内最大均值差异距离,实现了源域和目标域对应图像类别上精准的样本特征分布对齐。匹配度量子网络使用2个全连接层和1个softmax层进行串联,评估出异源图像特征的匹配度。构建了红外和可见光图像数据集,进行端到端的训练和测试。结果表明:与当前使用预训练模型微调的方法相比,PairsNet的准确率提升了10.54%,可见光图像匹配网络的能力可以有效迁移到异源图像匹配网络。
|
关 键 词: | 异源图像 图像匹配 迁移学习 |
Infrared-Visible Heterogenous Image Matching Based on Intra-Class Transfer Learning |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 CNKI 等数据库收录! |
|