SiameseNetwork(应用篇1)：孪生网络特征用于图像匹配_孪生网络 - CSDN文库

55 浏览量更新于2023-05-03 评论 4 收藏 138KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

SiameseNetwork(应用篇应用篇1)：孪生网络特征用于图像匹配：孪生网络特征用于图像匹配

1. 摘要和贡献

在计算机视觉应用领域，如运动结构分析、多视图3D重建、图像检索和基于图像的地位，图像匹配都扮演了重要的角色。在

这篇文章中，我采用卷积神经网络表达相似图像对和不相似图像对的特征，然后采用欧拉距离测量特征矢量并估计相似度。其

中，我采用的是类似于孪生网络的结构提取特征向量。在此之前，孪生网络已经成功运用到了图像的局部匹配领域和人脸对比

验证，但是还没有应用于图像的大规模匹配。我通过大量实验验证，提出的图像匹配方法的性能远高于基线算法。这还是在我

标注的标签质量很差的情况下，如果数据量更大，竞金标准更好，我可以获得更好的结果。

我的贡献主要表现在两个方面：

1. 基于深度神经网络，利用整幅图像预测图像对的相似性。

2.我验证了孪生网络在图像匹配中的潜力。

2. 结构、方法、细节

图 1. 模型结构。两个分支结构是一样的，权重分享。

我的目标在于为图像对学习一个广义的相似度测度函数。我采用了HybridCNN作为网络的核心组成部分。网络流程也很简

单，一对图像分别通过神经网络分支，得到两幅图像在特征空间的特征向量。两个特征向量直接输送到损失函数层。注意的

是，作者采用的损失函数依旧是[1,-1]是非类型。即，最小化匹配对的欧氏距离，最大化非匹配对的欧氏距离。

2.1 对比损失函数 constructive loss

为了优化我提出的网路，我设计了一个代价函数进行优化，该函数可以明显区分匹配对 / 非匹配对图像。更精确地，他鼓励相

同的图像对特征空间的距离非常小，不相似的图像对至少具有m的距离。

l是图像对的标签 l+ = 1; l- = 0；m>0是非匹配对之间的间距；D=||f(I1)-f(I2)||是图像对在特征空间的欧氏距离。

只有非匹配对的欧氏距离小于m，非匹配对才会对损失函数起作用。损失函数鼓励匹配对在特征空间的距离非常的近，非匹配

对在特征空间距离非常远。能够明显看出来，欧氏距离大于m的负样本对损失函数不起作用。

我在文章很多讨论都是针对如何确定一个合适的margin value m。

2.2 网络细节

我的网络架构收到了Ground-to-Aerial的启发。孪生网络包括两个相同的分支，它们之间共享权重和参数。每个分支都包括有

卷积层、整流层作为非线性卷积层、以及全连接层。网络的动机就是为了学习到最优的特征表达映射。

3. 实验

图2. 我研究了不同的特征提取网络对模型性能的影响

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

weixin_38747815

粉丝: 54
资源: 889

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈