通过领域深度泛化实现不可见领域中的图像对齐
计算机视觉与模式识别
2019-06-03 v2
摘要
跨领域的图像对齐近来已成为研究界中现实且热门的课题之一。在该问题中，基于深度学习的图像对齐方法通常在可用的大规模数据库上进行训练。在测试阶段，该训练好的模型被部署于在不同相机条件和模态下采集的不可见图像上。在这些场景中，所交付的深度网络模型无法被更新、自适应或微调。因此，近期的深度学习技术，例如领域自适应、特征迁移和微调，无法被部署。本文提出了一种新颖的基于深度学习的方法来解决跨不可见模态的问题。所提出的网络随后被应用于图像对齐作为示例说明。所提出的方法被设计为端到端的深度卷积神经网络，以优化深度模型从而提升性能。所提出的网络在数字识别任务中进行了评估，模型在 MNIST 上训练并在不可见领域 MNIST-M 上测试。最后，所提出的方法在图像对齐问题中进行了基准测试，即在 RGB 图像上训练并在 Depth 和 X-Ray 图像上测试。
引用
@article{arxiv.1905.12028,
title = {Image Alignment in Unseen Domains via Domain Deep Generalization},
author = {Thanh-Dat Truong and Khoa Luu and Chi Nhan Duong and Ngan Le and Minh-Triet Tran},
journal= {arXiv preprint arXiv:1905.12028},
year = {2019}
}