研究目的
为了从参考图像和目标图像中学习图像块的相似性度量,用于三维图像配准,使得具有较小投影误差的图像块获得较高的相似性评分,从而改善位姿优化的收敛性。
研究成果
所提出的网络(分类、回归、排序)在基于图像块配准的相似性度量学习方面,相比SSD和SAD等传统方法实现了更优性能。这能提升视觉里程计等视觉几何应用中的收敛速度与鲁棒性。未来工作包括将该网络应用于基于强度的配准,并提高数据集质量。
研究不足
网络在特定数据集(TUM)上进行训练,数据集中的误差会影响精度。补丁大小固定为32x32,该方法依赖于采集数据的质量。未来的改进可能包括使用更高精度的数据集或虚拟数据。
1:实验设计与方法选择:
设计并训练了分类、回归和排序神经网络,以学习基于图像块的配准相似性度量。使用从RGB-D和单目图像中自采集的数据集。
2:样本选择与数据来源:
基于RGB-D、DSO及改进DSO方法,从TUM RGB-D数据集和TUM单目数据集中采集图像块数据集。图像块尺寸为32x32,提取自快速角点或模式中心周围区域。
3:实验设备与材料清单:
使用TUM RGB-D数据集、TUM单目数据集及DSO系统进行数据采集。未提及具体设备型号或品牌。
4:实验流程与操作步骤:
检测快速角点,提取图像块,施加干扰变换,计算投影误差作为标签,通过剔除高SSD图像块预处理数据,采用指定损失函数训练网络,并根据设计标准评估性能。
5:数据分析方法:
采用VDCG和pVDCG等评估标准、标准误差图表,并与传统方法(SSD、SAD)进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容