CN113408661B - 误匹配确定方法、装置、设备和介质 - Google Patents
误匹配确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113408661B CN113408661B CN202110807736.XA CN202110807736A CN113408661B CN 113408661 B CN113408661 B CN 113408661B CN 202110807736 A CN202110807736 A CN 202110807736A CN 113408661 B CN113408661 B CN 113408661B
- Authority
- CN
- China
- Prior art keywords
- feature
- nearest neighbor
- features
- residual
- target image
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种误匹配确定方法、装置、设备、介质和程序产品,涉及图像处理技术领域,尤其涉及计算机视觉、图像特征匹配和深度学习技术。具体为:获取查询图像的目标图像特征集合,并从待匹配图像中获取至少一个目标图像特征的最近邻特征和次近邻特征;将至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到最近邻残差特征和次近邻残差特征;将最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到最近邻残差特征分布和次近邻残差特征分布;计算至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据计算结果确定至少一个目标图像特征是否存在误匹配。本公开能提高特征匹配的准确性和稳定性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及计算机视觉、图像特征匹配和深度学习技术,具体涉及一种误匹配确定方法、装置、设备、介质和程序产品。
背景技术
特征匹配问题是计算机视觉中的一个经典问题。目前最通用的方式是,先从待匹配的图像(database)中确定与查询图像(query)特征匹配度最高的最近邻特征和匹配度第二高的次近邻特征,然后使用特征匹配方法中的ratio test技术去除这些匹配特征中的大多数误匹配。
其中,ratio test技术指的是:分别计算query和database中最近邻和次近邻的特征之间的距离,然后将上述两个距离做除,根据相除的结果A与预设阈值进行比较,如果A大于阈值则认为该匹配是无效匹配,当A小于阈值则认为该匹配是有效匹配。这一假设的核心思想是:假如A比较大就说明query和databse中最近邻和次近邻特征之间的距离“差不多”,那么可以认为该匹配“很难”区分到底哪个是正确的匹配,因此该匹配无效,反之则有效。
然而,ratio test技术中,只根据特征之间距离相除的结果和固定阈值来确定是否存在误匹配,准确性和稳定性较差。
发明内容
本公开提供了一种误匹配确定方法、装置、设备、介质和程序产品。
根据本公开的一方面,提供了一种误匹配确定方法,包括:
获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征;
将所述至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征;
将所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化;
分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配。
根据本公开的另一方面,提供了一种误匹配确定装置,包括:
最近邻与次近邻特征获取模块,用于获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征;
残差处理模块,用于将所述至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征;
特征分布获取模块,用于将所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化;
误匹配确定模块,用于分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任意实施例所述的误匹配确定方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本公开任意实施例所述的误匹配确定方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任意实施例所述的误匹配确定方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一种误匹配确定方法的示意图;
图2是根据本公开实施例的误匹配确定方法中目标模型训练过程的示意图;
图3是根据本公开实施例的目标模型网络结构示意图;
图4是根据本公开实施例的计算损失函数的示意图;
图5是根据本公开实施例的一种误匹配确定方法的示意图;
图6是根据本公开实施例的一种误匹配确定方法的示意图;
图7是根据本公开实施例的一种误匹配确定装置的结构示意图;
图8是用来实现本公开实施例的误匹配确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的误匹配确定方法的流程示意图,本实施例可适用于在进行图像的特征匹配过程中确定是否存在误匹配的情况,涉及图像处理技术领域,尤其涉及计算机视觉、图像特征匹配和深度学习技术。该方法可由一种误匹配确定装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备或服务器等。如图1所示,该方法具体包括如下:
S101、获取查询图像的目标图像特征集合,并从待匹配图像中获取目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征。
其中,可以通过现有技术中的任一种特征提取方法提取查询图像的图像特征,得到目标图像特征集合,该集合中可以包括多个特征点的目标图像特征,其中,需要与待匹配图像进行匹配以确定是否出现误匹配的即为至少一个特征点的至少一个目标图像特征。然后,利用现有技术中的任一种特征匹配方法,将至少一个目标图像特征与待匹配图像进行特征匹配,从中获取至少一个目标图像特征的最近邻特征和次近邻特征,最近邻特征即匹配度最高的特征,次近邻特征即匹配度第二高的特征。
S102、将至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到至少一个目标图像特征的最近邻残差特征和次近邻残差特征。
例如,对于任意当前目标图像特征,将该当前目标图像特征与其最近邻特征做残差处理,得到最近邻残差特征,与其次近邻特征做残差处理,得到次近邻残差特征。这里需要说明的是,做残差处理的好处是:对于任一种图像特征,如sift特征或者deepfeature特征等,都可以响应在同一个维度空间(残差空间),因此,不管对哪一种图像特征,本公开实施例的方案都适用。
S103、将至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化。
通过目标模型对残差特征进行概率归一化,就可得到至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布。例如使用logsoftmax函数对特征进行概率归一化。其中,目标模型可以利用有监督的训练方法,利用训练数据及其标注信息进行训练。
S104、分别计算至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据相关度的计算结果,确定至少一个目标图像特征是否存在误匹配。
计算特征分布相关度的方法,例如可以是计算两个特征分布的点积,本公开对此不作任何限定。将最近邻残差特征分布和次近邻残差特征分布的相关度与预设阈值进行比较,如果相关度高于阈值,则表明最近邻特征和次近邻特征相似度较高,因此存在误匹配,反之,如果相关度小于或等于阈值,则表明最近邻特征和次近邻特征的相似度不高,因此不存在误匹配。如果存在误匹配,则将其从特征匹配的结果中滤除即可。其中,所述预设阈值可以根据实际情况进行配置,本公开不做任何限定。
本公开实施例的技术方案,避免了现有技术中直接将特征之间的距离做除并只使用距离来度量是否存在误匹配的方式,而是经过残差处理、概率归一化得到最近邻残差特征分布和次近邻残差特征分布,并计算最近邻残差特征分布和次近邻残差特征分布的相关度,最后通过相关度计算结果来确定是否出现误匹配,在此过程中,能够将特征中的每个维度都参与进来,保留了特征中的更多信息,因此对误匹配判断的准确性更高,稳定性也更强,使得在特征匹配的结果中,出现正确匹配的占比更高,于是提高了内点率和准确性。
图2是根据本公开实施例的误匹配确定方法中目标模型训练过程的示意图。如图2所示,目标模型的训练过程具体包括如下:
S201、获取训练样本集,其中,训练样本中包括查询样本图像特征、待匹配样本图像中与所述查询样本图像特征相匹配的最近邻特征和次近邻特征,以及训练样本是否是正确匹配的标注信息。
其中,训练样本集可以涉及各种不同场景下不同种类的图像特征。
S202、针对训练样本,将查询样本图像特征分别与其最近邻特征和次近邻特征做残差处理,得到所述训练样本的最近邻残差特征和次近邻残差特征。
S203、将训练样本的最近邻残差特征和次近邻残差特征输入预先建立的目标模型,结合训练样本的标注信息,对所述目标模型进行训练。
其中,目标模型的网络结构例如包括全连接层和logsoftmax层,通过全连接层可以获取到更加紧凑的特征,然后使用logsoftmax函数对经经过全连接层的残差特征进行概率归一化,得到残差特征的特征分布。该网络结构可以如图3所示,其中,x表示输入的残差特征,W和b是网络结构中待学习的网络参数,即表示logsoftmax函数,T表示转置,xi和xj分别表示残差特征的特征向量中第i、j位置的特征。由此,对残差特征进行变化,通过网络学习,将残差特征变换到更加容易区分的空间,有利于后续通过计算特征分布的相关度来判断是否存在误匹配。
此外,目标模型的损失函数用于通过模型训练,使正确匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更高,使错误匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更低。图5即为本公开实施例中计算损失函数的示意图。如图5所示,最近邻残差特征和次近邻残差特征分别输入网络结构中,得到残差特征的概率分布,然后利用triplet loss的方式实现损失函数的计算。例如,通过如下公式来表示:
L(ra,rp,rn)=max(0,m+d(ra,rp)-d(ra,rn))
其中,ra表示输入的样本图像的query特征,rp表示待匹配图像中正确匹配的特征,rn表示待匹配图像中错误匹配的特征,m表示预设参数,例如设置为0.5。
d(x,y)表示KL散度度量函数,公式如下:
其中,i表示特征分布中的维度,P和Q分别表示输入的样本图像和待匹配图像的最近邻残差特征分布和次近邻残差特征分布。
需要说明的是,KL散度(相对熵)是描述信息的最好的度量方式,因此,通过KL散度作为相关度来判断是否出现误匹配,能够保留特征分布中更多的信息,从而可以提高对误匹配判断的准确性,稳定性也更强。
本公开实施例的技术方案,通过训练得到目标模型,利用目标模型得到残差特征分布,继而通过残差特征分布之间的相关度来判断是否存在误匹配。而在模型训练过程中由于可以采用很多种场景下各种种类的训练数据,因此,无需动态调整参数就可以适用于不同的场景,适用范围更广。同时,通过残差处理可以将不同类型的局部特征响应在同一个维度空间,那么即使针对不同的局部特征进行特征匹配,也不需要对网络重新进行训练,使得模型中网络的泛化能力更强。
图5是根据本公开实施例的误匹配确定方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化。如图5所示,该方法具体包括如下:
S501、获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征。
S502、将至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到至少一个目标图像特征的最近邻残差特征和次近邻残差特征。
S503、将至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,目标模型用于对残差特征进行概率归一化。
S504、通过分别计算至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布之间的KL散度,来计算最近邻残差特征分布和次近邻残差特征分布之间相关度。
S505、针对任意当前目标图像特征,如果对应的相关度计算结果大于预设阈值,则确定当前目标图像特征存在误匹配。
具体的,当相关度大于预设阈值,则表示相似度较高,匹配不可靠,反之则表示相似度较低,匹配可靠。因此,通过相关度与阈值的比较结果可以确定不可靠的匹配,并将其滤除,从而提高特征匹配的内点率。
此外,正如上文所述,由于目标模型的适用范围更广,对不同场景下的各种图像特征,网络无需重新进行训练,预设的阈值也无需进行变更,因此,本公开的技术方案的执行效率更高,具有普适性。
图6是根据本公开实施例的一种误匹配确定方法的另一种示意图。如图6所示,image pair即为输入的两张图片,通过CNN卷积神经网络等特征检测和特征描述方法(Eetector&Eescriptor)进行图像的特征提取,分别得到两张图片各自的局部特征(localfeatures),其可以是传统的sift(Scale-invariant feature transform,尺度不变特征变换)特征,也可以是使用深度学习得到的其他局部特征。利用任意现有技术中的方法基于该特征进行特征匹配,得到初步的匹配结果,然后就可以将该初步的匹配结果输入KLRT模型中进行处理,得到精确匹配结果(strong matches)。其中,KLRT模型即用于实现本公开实施例的误匹配确定方法。也即,KLRT模型用于进行残差处理、概率归一化得到最近邻残差特征分布和次近邻残差特征分布,并计算最近邻残差特征分布和次近邻残差特征分布的相关度,最后通过相关度计算结果来确定是否出现误匹配,最后将误匹配去除,得到内点率更高的精确匹配。
本公开实施例的技术方案,避免了现有技术中直接将特征之间的距离做除并只使用距离来度量是否存在误匹配的方式,而是经过残差处理、概率归一化得到最近邻残差特征分布和次近邻残差特征分布,并利用KL散度计算最近邻残差特征分布和次近邻残差特征分布的相关度,最后通过相关度计算结果来确定是否出现误匹配,在此过程中,能够将特征中的每个维度都参与进来,保留了特征中的更多信息,因此对误匹配判断的准确性更高,稳定性也更强,使得在特征匹配的结果中,出现正确匹配的占比更高,于是提高了内点率和准确性。
图7是根据本公开实施例的误匹配确定装置的结构示意图,本实施例可适用于在进行图像的特征匹配过程中确定是否存在误匹配的情况,涉及图像处理技术领域,尤其涉及计算机视觉、图像特征匹配和深度学习技术。该装置可实现本公开任意实施例所述的误匹配确定方法。如图7所示,该装置700具体包括:
最近邻与次近邻特征获取模块701,用于获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征;
残差处理模块702,用于将所述至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征;
特征分布获取模块703,用于将所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化;
误匹配确定模块704,用于分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配。
可选的,所述装置还包括模型训练模块,具体用于:
获取训练样本集,其中,训练样本中包括查询样本图像特征、待匹配样本图像中与所述查询样本图像特征相匹配的最近邻特征和次近邻特征,以及训练样本是否是正确匹配的标注信息;
针对所述训练样本,将查询样本图像特征分别与其最近邻特征和次近邻特征做残差处理,得到所述训练样本的最近邻残差特征和次近邻残差特征;
将所述训练样本的最近邻残差特征和次近邻残差特征输入预先建立的目标模型,结合所述训练样本的标注信息,对所述目标模型进行训练。
可选的,所述目标模型的网络结构包括全连接层和logsoftmax层,所述全连接层用于对残差特征进行特征提取,logsoftmax层用于对经提取的残差特征进行概率归一化,得到残差特征的特征分布。
可选的,所述目标模型的损失函数用于通过模型训练,使正确匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更高,使错误匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更低。
可选的,在所述损失函数中,通过计算最近邻残差特征和次近邻残差特征的特征分布之间的KL散度来计算所述相关度。
可选的,所述误匹配确定模块704包括:
相关度计算单元,用于通过分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布之间的KL散度来计算所述相关度。
可选的,所述误匹配确定模块704包括:
误匹配确定单元,用于针对任意当前目标图像特征,如果对应的相关度计算结果大于预设阈值,则确定所述当前目标图像特征存在误匹配。
上述产品可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如误匹配确定方法。例如,在一些实施例中,误匹配确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的误匹配确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行误匹配确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种误匹配确定方法,包括:
获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征;
将所述至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征;
将所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化;
分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配。
2.根据权利要求1所述的方法,其中,所述目标模型的训练过程包括:
获取训练样本集,其中,训练样本中包括查询样本图像特征、待匹配样本图像中与所述查询样本图像特征相匹配的最近邻特征和次近邻特征,以及训练样本是否是正确匹配的标注信息;
针对所述训练样本,将查询样本图像特征分别与其最近邻特征和次近邻特征做残差处理,得到所述训练样本的最近邻残差特征和次近邻残差特征;
将所述训练样本的最近邻残差特征和次近邻残差特征输入预先建立的目标模型,结合所述训练样本的标注信息,对所述目标模型进行训练。
3.根据权利要求2所述的方法,其中,所述目标模型的网络结构包括全连接层和logsoftmax层,所述全连接层用于对残差特征进行特征提取,所述logsoftmax层用于对经提取的残差特征进行概率归一化,得到残差特征的特征分布。
4.根据权利要求3所述的方法,其中,所述目标模型的损失函数用于通过模型训练,使正确匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更高,使错误匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更低。
5.根据权利要求4所述的方法,其中,在所述损失函数中,通过计算最近邻残差特征和次近邻残差特征的特征分布之间的相对熵KL散度来计算所述相关度。
6.根据权利要求1所述的方法,其中,所述分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,包括:
通过分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布之间的KL散度来计算所述相关度。
7.根据权利要求1所述的方法,其中,所述根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配,包括:
针对任意当前目标图像特征,如果对应的相关度计算结果大于预设阈值,则确定所述当前目标图像特征存在误匹配。
8.一种误匹配确定装置,包括:
最近邻与次近邻特征获取模块,用于获取查询图像的目标图像特征集合,并从待匹配图像中获取所述目标图像特征集合中至少一个目标图像特征的最近邻特征和次近邻特征;
残差处理模块,用于将所述至少一个目标图像特征与其最近邻特征和次近邻特征分别做残差处理,得到所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征;
特征分布获取模块,用于将所述至少一个目标图像特征的最近邻残差特征和次近邻残差特征输入预先训练的目标模型,得到所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布,其中,所述目标模型用于对残差特征进行概率归一化;
误匹配确定模块,用于分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布的相关度,根据所述相关度的计算结果,确定所述至少一个目标图像特征是否存在误匹配。
9.根据权利要求8所述的装置,还包括模型训练模块,具体用于:
获取训练样本集,其中,训练样本中包括查询样本图像特征、待匹配样本图像中与所述查询样本图像特征相匹配的最近邻特征和次近邻特征,以及训练样本是否是正确匹配的标注信息;
针对所述训练样本,将查询样本图像特征分别与其最近邻特征和次近邻特征做残差处理,得到所述训练样本的最近邻残差特征和次近邻残差特征;
将所述训练样本的最近邻残差特征和次近邻残差特征输入预先建立的目标模型,结合所述训练样本的标注信息,对所述目标模型进行训练。
10.根据权利要求9所述的装置,其中,所述目标模型的网络结构包括全连接层和logsoftmax层,所述全连接层用于对残差特征进行特征提取,logsoftmax层用于对经提取的残差特征进行概率归一化,得到残差特征的特征分布。
11.根据权利要求10所述的装置,其中,所述目标模型的损失函数用于通过模型训练,使正确匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更高,使错误匹配的样本中最近邻残差特征和次近邻残差特征的特征分布的相关度更低。
12.根据权利要求11所述的装置,其中,在所述损失函数中,通过计算最近邻残差特征和次近邻残差特征的特征分布之间的KL散度来计算所述相关度。
13.根据权利要求8所述的装置,其中,所述误匹配确定模块包括:
相关度计算单元,用于通过分别计算所述至少一个目标图像特征的最近邻残差特征分布和次近邻残差特征分布之间的KL散度来计算所述相关度。
14.根据权利要求8所述的装置,其中,所述误匹配确定模块包括:
误匹配确定单元,用于针对任意当前目标图像特征,如果对应的相关度计算结果大于预设阈值,则确定所述当前目标图像特征存在误匹配。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述误匹配确定方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的误匹配确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807736.XA CN113408661B (zh) | 2021-07-16 | 2021-07-16 | 误匹配确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807736.XA CN113408661B (zh) | 2021-07-16 | 2021-07-16 | 误匹配确定方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408661A CN113408661A (zh) | 2021-09-17 |
CN113408661B true CN113408661B (zh) | 2022-02-18 |
Family
ID=77686720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110807736.XA Active CN113408661B (zh) | 2021-07-16 | 2021-07-16 | 误匹配确定方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408661B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077782A (zh) * | 2014-07-11 | 2014-10-01 | 中国科学院自动化研究所 | 一种星载遥感图像匹配方法 |
CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
CN107197269A (zh) * | 2017-07-04 | 2017-09-22 | 广东工业大学 | 一种视频拼接的方法与装置 |
CN110786013A (zh) * | 2017-06-30 | 2020-02-11 | 华为技术有限公司 | 用于运动向量细化的搜索区域 |
CN112529018A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 图像局部特征的训练方法、装置及存储介质 |
CN112862006A (zh) * | 2021-03-25 | 2021-05-28 | 北京百度网讯科技有限公司 | 图像深度信息获取模型的训练方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881944A (zh) * | 2020-07-08 | 2020-11-03 | 贵州无忧天空科技有限公司 | 图像鉴别的方法、电子设备和计算机可读介质 |
CN112488060B (zh) * | 2020-12-18 | 2023-08-08 | 北京百度网讯科技有限公司 | 目标检测方法、装置、设备和介质 |
-
2021
- 2021-07-16 CN CN202110807736.XA patent/CN113408661B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077782A (zh) * | 2014-07-11 | 2014-10-01 | 中国科学院自动化研究所 | 一种星载遥感图像匹配方法 |
CN105976399A (zh) * | 2016-04-29 | 2016-09-28 | 北京航空航天大学 | 一种基于sift特征匹配的运动目标检测方法 |
CN110786013A (zh) * | 2017-06-30 | 2020-02-11 | 华为技术有限公司 | 用于运动向量细化的搜索区域 |
CN107197269A (zh) * | 2017-07-04 | 2017-09-22 | 广东工业大学 | 一种视频拼接的方法与装置 |
CN112529018A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 图像局部特征的训练方法、装置及存储介质 |
CN112862006A (zh) * | 2021-03-25 | 2021-05-28 | 北京百度网讯科技有限公司 | 图像深度信息获取模型的训练方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于单目视觉的场景三维重建与飞行器位姿求解关键技术研究;杨述强;《工程科技Ⅱ辑》;20170228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408661A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966522A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN113222942A (zh) | 多标签分类模型的训练方法和预测标签的方法 | |
CN113657274B (zh) | 表格生成方法、装置、电子设备及存储介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113792154A (zh) | 故障关联关系的确定方法、装置、电子设备及存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN113947700A (zh) | 模型确定方法、装置、电子设备和存储器 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113408661B (zh) | 误匹配确定方法、装置、设备和介质 | |
US20220327803A1 (en) | Method of recognizing object, electronic device and storage medium | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN113947195A (zh) | 模型确定方法、装置、电子设备和存储器 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113935482A (zh) | 一种行人再识别网络的训练方法及装置 | |
CN115249281A (zh) | 图像遮挡和模型训练方法、装置、设备以及存储介质 | |
CN113947140A (zh) | 人脸特征提取模型的训练方法和人脸特征提取方法 | |
CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
CN114495236B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN115984618A (zh) | 图像检测模型训练、图像检测方法、装置、设备及介质 |
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 |