多角度多时相遥感立体影像密集匹配的深度学习方法比较研究
计算机视觉与模式识别
2022-10-26 v1
摘要
深度学习(DL)立体匹配方法在遥感卫星数据集中受到极大关注。然而,现有大多数研究仅基于少量/单幅立体影像得出结论,缺乏针对DL方法在具有不同辐射与几何配置的卫星立体影像上鲁棒性的系统评估。本文通过对数百对具有不同几何配置的多时相多地点卫星立体像对,以传统成熟的Census-SGM(半全局匹配)为基准,评估四种DL立体匹配方法,以全面理解其精度、鲁棒性、泛化能力及实际潜力。DL方法包括通过卷积神经网络(MC-CNN)构建学习代价度量再接SGM,以及三个端到端(E2E)学习模型:几何与上下文网络(GCNet)、金字塔立体匹配网络(PSMNet)和LEAStereo。实验表明,E2E算法可达到几何精度的上限,但对未见数据的泛化能力可能不佳;基于学习的代价度量与Census-SGM较为鲁棒,能稳定取得可接受结果。所有DL算法对立体像对的几何配置均具鲁棒性,相较Census-SGM敏感性更低,而基于学习的代价度量在 airborne 或 ground-view 等不同数据集上训练时可泛化至卫星影像。
引用
@article{arxiv.2210.14031,
title = {A Comparative Study on Deep-Learning Methods for Dense Image Matching of Multi-angle and Multi-date Remote Sensing Stereo Images},
author = {Hessah Albanwan and Rongjun Qin},
journal= {arXiv preprint arXiv:2210.14031},
year = {2022}
}
备注
18 pages