深度单应性估计的域偏移免疫性分析
计算机视觉与模式识别
2023-12-01 v2
摘要
单应性估计作为图像对齐的基础技术，广泛应用于众多领域。卷积神经网络的出现引入了基于学习的方法，并在该领域展现出卓越效能。然而，这些方法跨不同域的泛化能力仍待探索。与其他常规任务不同，CNN 驱动的单应性估计模型表现出独特的对域偏移的免疫性，使其无需迁移学习即可从一个数据集无缝部署到另一个。本研究探讨了多种深度单应性估计模型对域偏移的韧性，揭示网络架构本身并非此显著适应性的影响因素。通过仔细审视模型的关注区域并对输入图像施加多种修改，我们确认模型严重依赖局部纹理（如边缘与角点）进行单应性估计。此外，我们的分析强调域偏移免疫性本身与对这些局部纹理的利用紧密关联。
引用
@article{arxiv.2304.09976,
title = {Analyzing the Domain Shift Immunity of Deep Homography Estimation},
author = {Mingzhen Shao and Tolga Tasdizen and Sarang Joshi},
journal= {arXiv preprint arXiv:2304.09976},
year = {2023}
}