基于不变描述子学习的深度多光谱配准
计算机视觉与模式识别
2021-10-06 v6
摘要
本文提出一种对齐跨光谱图像的深度学习新方法。我们的方法依赖于一个对不同光谱不变的学习描述子。同一场景的多模态图像捕获不同信号，因此其配准具有挑战性，且经典方法无法解决。为此，我们开发了基于特征的方法来解决可见光（VIS）到近红外（NIR）的配准问题。我们的算法通过 Harris 检测角点，并基于 CIFAR-10 网络描述子之上的块度量对其进行匹配。如实验所示，我们以亚像素精度实现了跨光谱图像的高质量对齐。与其他现有方法相比，我们的方法在 VIS 到 NIR 配准任务中更为准确。
引用
@article{arxiv.1801.05171,
title = {Deep Multi-Spectral Registration Using Invariant Descriptor Learning},
author = {Nati Ofir and Shai Silberstein and Hila Levi and Dani Rozenbaum and Yosi Keller and Sharon Duvdevani Bar},
journal= {arXiv preprint arXiv:1801.05171},
year = {2021}
}