改进CAE的局部特征描述算法：增强旋转不变性和鲁棒性

"本文提出了一种改进的卷积自编码器局部特征描述算法(CAE-D)，旨在解决非监督学习方法在提取的底层特征用于图像描述时存在的可区分性不足和对变换敏感的问题。该算法利用信息熵评估并优化卷积核，增强了特征描述的可区分性和旋转不变性。实验结果显示，CAE-D在图像匹配性能上优于KAZE和SIFT，同时运行时间减少约47.14%。" 正文: 在计算机视觉领域，特征提取是核心任务之一，特别是在近年来随着深度学习和机器学习技术的发展。深度卷积神经网络（CNN）在有监督学习中表现出色，然而，它们需要大量标注数据，且对图像的局部特性如尺度、光照和旋转变化的适应性较差。相比之下，非监督学习方法可以从无标注数据中自动提取特征，适用于大规模图像处理。 本文关注的是一种非监督学习方法——卷积自编码器（CAE），它是自编码器在网络结构中加入卷积层的一种变体。自编码器是一种用于学习数据高效表示的神经网络模型，通过重构输入数据来学习其内在结构。CAE特别适合图像数据，因为它能捕获空间上的局部相关性。 传统自编码器的局限在于其底层特征可能对图像变换不那么鲁棒。为了解决这个问题，作者提出了CAE-D算法，它结合了信息熵的概念来评估和改进卷积核的性能。信息熵被用来量化卷积核携带的局部特征信息的均匀性，通过引入信息熵约束，可以使得特征分布更加分散，从而提高特征的可区分性。 此外，CAE-D借鉴了SIFT（尺度不变特征变换）的主方向分配算法来确定图像局部的主方向，增强旋转不变性。同时，通过降采样操作，进一步减少了对尺度和旋转变化的敏感性。这些改进措施使得CAE-D在保持高精度的同时，提高了特征描述的稳定性。 实验部分，CAE-D算法在图像匹配任务上与KAZE和SIFT进行了对比。结果显示，CAE-D在性能上超过了这两个广泛使用的算法，特别是在旋转不变性和鲁棒性方面。值得注意的是，CAE-D的运行时间比SIFT缩短了47.14%，这意味着在效率上也有显著提升。 CAE-D提供了一种有效的局部特征描述方法，通过改进卷积自编码器的结构和利用信息熵优化，增强了特征的可区分性和旋转不变性。这一工作对于图像处理和计算机视觉领域的其他应用，如图像配准、识别和分类，都有重要的参考价值。