CN111797903B - 一种基于数据驱动粒子群算法的多模态遥感图像配准方法 - Google Patents
一种基于数据驱动粒子群算法的多模态遥感图像配准方法 Download PDFInfo
- Publication number
- CN111797903B CN111797903B CN202010532704.9A CN202010532704A CN111797903B CN 111797903 B CN111797903 B CN 111797903B CN 202010532704 A CN202010532704 A CN 202010532704A CN 111797903 B CN111797903 B CN 111797903B
- Authority
- CN
- China
- Prior art keywords
- data
- mutual information
- remote sensing
- particle swarm
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据驱动粒子群算法的多模态遥感图像配准方法,本发明将迭代过程分为训练、预测、修正三个部分。在训练迭代次数中,计算每个粒子对应的互信息值,并利用历史互信息值及其对应的位置训练支持向量机回归模型;在预测迭代次数中,利用训练好的支持向量机模型,根据粒子个体的位置预测其对应的互信息值;在修正迭代次数中,计算每个粒子对应的互信息值,对产生偏差的互信息值进行修正。为了提高配准精度,本发明通过SURF算法提取特征点,利用FSC算法估计的变换参数对数据驱动粒子群算法的种群进行初始化。本发明方法利用数据驱动策略预测图像间的互信息值,极大地减少了计算量,提高了配准速度,同时一定程度上保持了配准的精度。
Description
技术领域
本发明属于遥感图像处理方法,具体涉及一种基于数据驱动粒子群算法的多模态遥感图像配准方法。
背景技术
新型传感器不断涌现,已从过去的单一传感器发展到现在多种类型的传感器,从而获取了大量的多模态遥感图像。多模态遥感图像配准对图像融合、图像拼接、变化检测等后续应用具有重要的影响,目前已成为国际学术研究的热点。
图像配准方法主要分为两类:基于特征的配准方法和基于区域的配准方法。基于特征的配准方法通过提取图像的点、线、面等特征信息进行配准,该方法速度快、效率高。但是,由于多模态遥感图像间存在显著的非线性灰度差异,基于特征的配准方法难以提取可靠的共有特征,从而造成对多模态遥感图像配准的效果不佳。基于区域的配准方法利用图像的灰度信息构建相似性测度进行配准,常用的相似性测度包括相关系数、互信息等。基于区域的配准方法对多模态遥感图像配准的精度高、鲁棒性好,但是该方法计算量大、配准时间长。为了提高配准速度,本发明提出一种基于数据驱动粒子群算法的多模态遥感图像配准方法。在迭代过程中,利用数据驱动策略预测图像间的相似性测度,从而减少计算量,提高配准速度。
发明内容
本发明提出一种基于数据驱动粒子群算法的多模态遥感图像配准方法,用来解决多模态遥感图像配准问题。
本发明所采用的技术方案是:基于数据驱动粒子群算法的多模态遥感图像配准方法,包括以下步骤:
步骤1,利用地理配准技术对参考图像和待配准图像进行粗配准,去除多模态遥感图像间明显的几何畸变;
步骤2,初始化数据驱动粒子群算法的参数,将迭代过程分为训练、预测、修正三个部分;
步骤3,对参考图像和待配准图像进行特征点提取及特征点匹配;
步骤4,估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群;
步骤5,在训练迭代次数中,计算每个粒子对应的互信息值;
步骤6,利用历史互信息值及其对应的位置训练支持向量机回归模型;
步骤7,在预测迭代次数中,根据粒子个体的位置预测其对应的互信息值;
步骤8,在修正迭代次数中,计算每个粒子对应的互信息值,对产生偏差的互信息值进行修正;
步骤9,当数据驱动粒子群算法达到终止条件时,输出最优粒子个体对应的变换参数,即为最优变换参数;
步骤10,将最优变换参数代入到刚体变换模型中,对多模态遥感图像进行配准。
进一步的,步骤2中对于数据驱动粒子群算法,在训练迭代次数和修正迭代次数中,计算粒子个体的适应度值;在预测迭代次数中,预测粒子个体的适应度值,所述粒子个体的适应度值即为每个粒子对应的互信息值,并将训练、预测和修正迭代次数的百分比分别设置为0.1、0.85和0.05。
进一步的,互信息的计算公式如下:
I(A,B)=H(A)+H(B)-H(A,B) (7)
其中,H(A)和H(B)分别代表图像A和B的熵,H(A,B)是两幅图像之间的联合熵,则:
其中,a∈A,b∈B,PA(a)和PB(b)分别表示两幅图像A和B之间处于完全相互独立的概率密度分布,PAB(a,b)表示二者之间的联合概率密度分布。
进一步的,步骤9中当数据驱动粒子群算法达到终止条件时,输出第i个粒子的位置定义为:
Xi=(tx,ty,θ) (11)
步骤10中对待配准图像进行刚体变换,图像中的点(x,y)经过刚体变换到点(x',y')的公式为:
其中,θ为旋转角度,tx和ty为平移量。
进一步的,还包括步骤11,利用检查点评价多模态遥感图像的配准效果,即利用检查点的均方根误差和平均绝对误差定量地评价配准的精度,并利用运行时间评价算法的计算效率;对于每对参考图像和待配准图像,通过人工刺点的方式,选择40-60个检查点。
进一步的,步骤3中利用SURF(Speeded Up Robust Features)算法对参考图像和待配准图像进行特征点提取及特征点匹配。
进一步的,步骤4中利用FSC(Fast Sample Consensus)算法估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群。
与现有技术相比,本发明具有如下优点和有益效果:
本发明提出的数据驱动粒子群算法将迭代过程分为训练、预测、修正三个部分。在训练迭代次数中,计算每个粒子对应的互信息值,并利用历史互信息值及其对应的位置训练支持向量机回归模型;在预测迭代次数中,利用训练好的支持向量机模型,根据粒子个体的位置预测其对应的互信息值;在修正迭代次数中,计算每个粒子对应的互信息值,对产生偏差的互信息值进行修正。为了提高配准精度,本发明通过SURF算法提取特征点,利用FSC算法估计的变换参数对数据驱动粒子群算法的种群进行初始化。本发明提出的方法利用数据驱动策略预测图像间的互信息值,极大地减少了计算量,提高了配准速度,同时一定程度上保持了配准的精度。
附图说明
图1:本发明方法的流程图;
图2:数据集中一些多模态遥感图像对;(a)图像对1,(b)图像对2,(c)图像对3,(d)图像对4,(e)图像对5,(f)图像对6,(g)图像对7,(h)图像对8,(i)图像对9,(j)图像对10,(k)图像对11,(l)图像对12。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1流程图,本发明提供一种基于数据驱动粒子群算法的多模态遥感图像配准方法,包括以下步骤:
步骤1:利用地理配准技术对参考图像和待配准图像进行粗配准,去除多模态遥感图像间明显的几何畸变。
步骤2:初始化数据驱动粒子群算法的参数,将迭代过程分为训练、预测和修正三个部分。粒子群算法(Particle Swarm Optimization,PSO)是一种模拟鸟群捕食行为的群体智能优化算法。在粒子群算法中,每个粒子利用惯量、自身经验和社会知识进行学习。假设n个粒子在D维目标搜索空间中寻优,第t个粒子的当前位置Xt、速度Vt和自身经历的最优位置Pt分别为:
Xt=(Xt1,...,Xtd,...,XtD) (1)
Vt=(Vt1,...,Vtd,...,VtD) (2)
Pt=(Pt1,...,Ptd,...,PtD) (3)
其中,1≤t≤n,1≤d≤D。将群体中当前全局最优的位置记为Pg=(Pg1,Pg2,...,PgD),则粒子群算法中速度和位置的更新方程为:
其中,w为惯性权重;r1,r2为区间[0,1]中的随机数;c1,c2为学习因子;k为迭代次数。式(4)由3部分组成,其中第1部分为粒子当前的速度;第2部分为认知部分,表示粒子本身的思考;第3部分为社会影响,表示粒子间的社会信息共享。
数据驱动粒子群算法(Data-Driven Particle Swarm Optimization,DDPSO)与粒子群算法的区别在于适应度值的计算过程。DDPSO算法将迭代过程分为训练、预测和修正三个部分。在训练迭代次数中,计算粒子个体的适应度值,并利用历史适应度值及其对应的位置训练支持向量机(Support Vector Machine,SVM)回归模型;在预测迭代次数中,利用训练好的SVM模型,根据粒子个体的位置预测其适应度值;在修正迭代次数中,计算粒子个体的适应度值,对预测的适应度值进行修正。为了平衡配准的精度和速度,根据大量的实验经验,将训练、预测和修正迭代次数的百分比分别设置为0.1、0.85和0.05。
步骤3:利用SURF(Speeded Up Robust Features)算法进行特征点提取及匹配。利用SURF算法提取参考图像和待配准图像的特征点,计算特征点间特征向量的欧氏距离,当欧式距离小于设定阈值时,则判定为匹配成功。本发明将该阈值设置为10。
步骤4:利用FSC(Fast Sample Consensus)算法估计变换参数并初始化种群。本发明选择刚体变换模型对多模态遥感图像进行配准,图像中的点(x,y)经过刚体变换到点(x',y')的公式为:
其中,θ为旋转角度,tx和ty为平移量。利用FSC算法剔除误匹配特征点,并估计刚体变换模型的参数tx、ty、θ。为了提高配准精度,本发明以FSC算法估计的变换参数初始化DDPSO算法的种群。
步骤5:在训练迭代次数中,计算每个粒子对应的互信息值。本发明以互信息为相似性测度,对多模态遥感图像进行配准。互信息量是两个随机变量统计相关性的一种测度,它反映了两个物体之间关联的程度。互信息的计算公式如下:
I(A,B)=H(A)+H(B)-H(A,B) (7)
其中,H(A)和H(B)分别代表图像A和B的熵,H(A,B)是两幅图像之间的联合熵,则:
其中,a∈A,b∈B,PA(a)和PB(b)分别表示两幅图像A和B之间处于完全相互独立的概率密度分布,PAB(a,b)表示二者之间的联合概率密度分布。互信息表示两幅图像所包含的共同信息,参考影像和待配准影像间互信息值越大,说明图像配准的精度越高。互信息能够比较好地适应图像间的灰度变化,已经成功应用于多模态图像配准中。但是,互信息的计算量大,造成图像配准的速度慢。因此,本发明利用数据驱动策略预测图像间的互信息值。
利用数据驱动粒子群算法进行图像配准时,对于种群中的每个个体,互信息值为适应度,个体位置由刚体变换模型的参数tx、ty、θ组成,则第i个粒子的位置可以定义为:
Xi=(tx,ty,θ) (11)
步骤6:利用历史互信息值及其对应的位置训练SVM回归模型。将训练迭代次数中所有粒子个体的位置及其对应的互信息值进行合并,训练基于高斯核的SVM回归模型。
步骤7:在预测迭代次数中,根据粒子个体的位置预测其对应的互信息值。利用训练好的SVM回归模型,估计预测迭代次数中粒子个体的适应度值。
步骤8:在修正迭代次数中,计算每个粒子对应的互信息值,对产生偏差的互信息值进行修正。由于利用SVM模型预测的互信息值与真实值存在一定的偏差,在修正迭代次数对每个粒子对应的互信息值进行修正,从而减少预测误差对配准精度产生的影响。
步骤9:输出最优粒子个体对应的变换参数。根据式(5),数据驱动粒子群算法通过迭代不断更新群体的位置,直至达到最大迭代次数,输出最优粒子个体的位置,即为最优变换参数。
步骤10:利用参数优化后的刚体变换模型对多模态遥感图像进行配准。根据式(6),对待配准图像进行刚体变换,得到多模态遥感图像的配准结果。
步骤11:利用检查点评价多模态遥感图像的配准效果。本发明利用真实的12个多模态图像对测试算法的性能,数据集见图2。对于每个图像对,通过人工刺点的方式,选择40-60个检查点。利用检查点的均方根误差(Root-Mean-Square Error,RMSE)和平均绝对误差(Mean Absolution Error,MAE)定量地评价配准的精度,并利用运行时间评价算法的计算效率。本发明将基于DDPSO和SURF算法的多模态遥感图像配准方法命名为DDPSO-SURF算法,将基于PSO和SURF算法的多模态遥感图像配准方法命名为PSO-SURF算法。在PSO-SURF和DDPSO-SURF算法中,学习因子为1.4962,惯性权值为0.7298,种群大小为30,最大迭代次数为200。为了更加方便地分析运行时间,本章比较了DDPSO-SURF算法相对于PSO-SURF算法的改进百分比。这两种算法的比较结果请见表1。
表1 PSO-SURF和DDPSO-SURF算法的比较
由表1可知,对于所有的图像对,DDPSO-SURF算法相比PSO-SURF算法在运行时间上有明显减少。通过本发明提出的数据驱动策略,DDPSO-SURF算法节省的计算时间达到了79.6537-82.3449%。由于本发明提出的数据驱动策略干扰了粒子群算法的搜索机制,DDPSO-SURF算法的配准精度略低于PSO-SURF算法。但是,对于所有的图像对,PSO-SURF和DDPSO-SURF算法的MAE、RMSE、互信息值比较接近,并且MAE和RMSE的值都小于2个像素。这证明DDPSO-SURF算法不仅极大提高了配准速度,而且保持了较高的配准精度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于数据驱动粒子群算法的多模态遥感图像配准方法,其特征在于,包括以下步骤:
步骤1,利用地理配准技术对参考图像和待配准图像进行粗配准,去除多模态遥感图像间明显的几何畸变;
步骤2,初始化数据驱动粒子群算法的参数,将迭代过程分为训练、预测、修正三个部分;
步骤3,对参考图像和待配准图像进行特征点提取及特征点匹配;
步骤4,估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群;
步骤5,在训练迭代次数中,计算每个粒子对应的互信息值;
步骤6,利用历史互信息值及其对应的位置训练支持向量机回归模型;
步骤7,在预测迭代次数中,根据粒子个体的位置预测其对应的互信息值;
步骤8,在修正迭代次数中,计算每个粒子对应的互信息值,对产生偏差的互信息值进行修正;
步骤9,当数据驱动粒子群算法达到终止条件时,输出最优粒子个体对应的位置,即为最优变换参数;
步骤10,将最优变换参数代入到刚体变换模型中,对多模态遥感图像进行配准。
2.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法,其特征在于:步骤2中对于数据驱动粒子群算法,在训练迭代次数和修正迭代次数中,计算粒子个体的适应度值;在预测迭代次数中,预测粒子个体的适应度值,所述粒子个体的适应度值即为每个粒子对应的互信息值,并将训练、预测和修正迭代次数的百分比分别设置为0.1、0.85和0.05。
5.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法,其特征在于:还包括步骤11,利用检查点评价多模态遥感图像的配准效果,即利用检查点的均方根误差和平均绝对误差定量地评价配准的精度,并利用运行时间评价算法的计算效率;对于每对参考图像和待配准图像,通过人工刺点的方式,选择40-60个检查点。
6.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法,其特征在于:步骤3中利用SURF(Speeded Up Robust Features)算法对参考图像和待配准图像进行特征点提取及特征点匹配。
7.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法,其特征在于:步骤4中利用FSC(Fast Sample Consensus)算法估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532704.9A CN111797903B (zh) | 2020-06-12 | 2020-06-12 | 一种基于数据驱动粒子群算法的多模态遥感图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532704.9A CN111797903B (zh) | 2020-06-12 | 2020-06-12 | 一种基于数据驱动粒子群算法的多模态遥感图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797903A CN111797903A (zh) | 2020-10-20 |
CN111797903B true CN111797903B (zh) | 2022-06-07 |
Family
ID=72803371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010532704.9A Active CN111797903B (zh) | 2020-06-12 | 2020-06-12 | 一种基于数据驱动粒子群算法的多模态遥感图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797903B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595706A (zh) * | 2020-12-25 | 2021-04-02 | 西北大学 | 一种激光诱导击穿光谱变量选择方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN104200461A (zh) * | 2014-08-04 | 2014-12-10 | 西安电子科技大学 | 基于互信息图像选块和sift特征的遥感图像配准方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7636700B2 (en) * | 2004-02-03 | 2009-12-22 | Hrl Laboratories, Llc | Object recognition system incorporating swarming domain classifiers |
US7715654B2 (en) * | 2005-10-18 | 2010-05-11 | Siemens Medical Solutions Usa, Inc. | System and method for fast multimodal registration by least squares |
CN102938146A (zh) * | 2012-08-14 | 2013-02-20 | 中山大学 | 基于j-散度的多源遥感影像自动配准方法 |
CN104268869B (zh) * | 2014-09-23 | 2017-04-12 | 中山大学 | 一种基于粒子群算法的多级分辨率遥感影像自动配准方法 |
CN105184764B (zh) * | 2015-05-07 | 2018-06-15 | 西安电子科技大学 | 一种基于实数编码克隆选择算法的图像配准方法 |
CN110443776A (zh) * | 2019-08-07 | 2019-11-12 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机吊舱的数据配准融合方法 |
-
2020
- 2020-06-12 CN CN202010532704.9A patent/CN111797903B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077527A (zh) * | 2013-02-05 | 2013-05-01 | 湖北工业大学 | 一种稳健的多源卫星遥感影像配准方法 |
CN104200461A (zh) * | 2014-08-04 | 2014-12-10 | 西安电子科技大学 | 基于互信息图像选块和sift特征的遥感图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111797903A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052886B (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN110120064B (zh) | 一种基于互强化与多注意机制学习的深度相关目标跟踪算法 | |
CN106991388B (zh) | 关键点定位方法 | |
CN112800876B (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN112364931B (zh) | 一种基于元特征和权重调整的少样本目标检测方法及网络系统 | |
CN113361542B (zh) | 一种基于深度学习的局部特征提取方法 | |
CN113034545A (zh) | 一种基于CenterNet多目标跟踪算法的车辆跟踪方法 | |
CN109598220A (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN111079847A (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN112488128A (zh) | 一种基于贝塞尔曲线的任意畸变图像线段检测方法 | |
Barua et al. | Quality evaluation of gans using cross local intrinsic dimensionality | |
CN115346207A (zh) | 一种基于实例结构相关性的二维图像中三维目标检测方法 | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
CN111797903B (zh) | 一种基于数据驱动粒子群算法的多模态遥感图像配准方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN113379788A (zh) | 一种基于三元组网络的目标跟踪稳定性方法 | |
CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN116994060A (zh) | 基于lbp提取和tcnn神经网络的脑部纹理分析方法 | |
CN111223126A (zh) | 一种基于迁移学习的跨视角轨迹模型构建方法 | |
Chen et al. | An application of improved RANSAC algorithm in visual positioning | |
Pang et al. | Target tracking based on siamese convolution neural networks | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN117612214B (zh) | 一种基于知识蒸馏的行人搜索模型压缩方法 | |
CN114972904B (zh) | 一种基于对抗三元组损失的零样本知识蒸馏方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |