通过深度学习改进声纳图像块匹配
计算机视觉与模式识别
2017-09-08 v1 机器人学
摘要
长期以来，高精度匹配声纳图像一直是一个难题，因为声纳图像由于反射、噪声和视角依赖性而本质上难以建模。自主水下航行器需要良好的声纳图像匹配能力，用于跟踪、同时定位与地图构建（SLAM）以及某些情况下的目标检测/识别等任务。我们提出使用卷积神经网络（CNN）来学习一个匹配函数，该函数可以从标记的声纳数据中训练，经过预处理生成匹配和非匹配对。在一个包含39K训练对的数据集中，我们为输出二元分类匹配决策的CNN获得了0.91的ROC曲线下面积（AUC），为输出匹配分数的另一个CNN获得了0.89的AUC。相比之下，经典的键点匹配方法如SIFT、SURF、ORB和AKAZE获得的AUC为0.61至0.68。其他学习方法获得了类似的结果，随机森林分类器获得AUC 0.79，支持向量机获得AUC 0.66。
引用
@article{arxiv.1709.02150,
title = {Improving Sonar Image Patch Matching via Deep Learning},
author = {Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:1709.02150},
year = {2017}
}
备注
Author version