深度图像单应性估计
计算机视觉与模式识别
2016-06-14 v1
摘要
我们提出了一个深度卷积神经网络，用于估计一对图像之间的相对单应性。我们的前馈网络有 10 层，以两幅堆叠的灰度图像作为输入，并产生一个 8 自由度的单应性，可用于将像素从第一幅图像映射到第二幅图像。我们提出了两种用于 HomographyNet 的卷积神经网络架构：一种是直接估计实值单应性参数的回归网络，另一种是产生量化单应性分布的分类网络。我们使用 4 点单应性参数化，将四个角点从一幅图像映射到第二幅图像。我们的网络使用扭曲的 MS-COCO 图像以端到端的方式进行训练。我们的方法无需单独的局部特征检测和变换估计阶段即可工作。我们将我们的深度模型与基于 ORB 特征的传统单应性估计器进行了比较，并重点介绍了 HomographyNet 优于传统技术的场景。我们还描述了由深度单应性估计驱动的各种应用，从而展示了深度学习方法的灵活性。
引用
@article{arxiv.1606.03798,
title = {Deep Image Homography Estimation},
author = {Daniel DeTone and Tomasz Malisiewicz and Andrew Rabinovich},
journal= {arXiv preprint arXiv:1606.03798},
year = {2016}
}
备注
RSS Workshop on Limits and Potentials of Deep Learning in Robotics