用于稠密跨模态对应的深度自卷积激活描述符
计算机视觉与模式识别
2016-03-22 v1
摘要
我们提出一种称为深度自卷积激活（DeSCA）的新描述符，旨在为不同成像模态（如不同光谱范围或光照条件）下拍摄的图像建立稠密对应。受基于局部自相似（LSS）的描述符启发，我们通过深度架构利用LSS构建新描述符，相比最先进的跨模态描述符具有更好的判别力和对非刚性图像形变的更强鲁棒性。DeSCA首先在随机采样块上的局部支撑窗口计算自卷积，然后通过深度卷积架构内的分层公式执行平均池化构建自卷积激活。最后，自卷积激活上的特征响应通过圆形配置的空间金字塔池化进行编码。与现有的基于卷积神经网络（CNNs）的描述符不同，DeSCA无需训练（即利用随机采样块作为卷积核），对跨模态成像鲁棒，且能以高效方式稠密计算，显著降低计算冗余。通过大量实验证明了DeSCA在跨模态图像对挑战性案例上的最先进性能。
引用
@article{arxiv.1603.06327,
title = {Deep Self-Convolutional Activations Descriptor for Dense Cross-Modal Correspondence},
author = {Seungryong Kim and Dongbo Min and Stephen Lin and Kwanghoon Sohn},
journal= {arXiv preprint arXiv:1603.06327},
year = {2016}
}