Feb, 2024

无人机采集的可见光和红外图像对的深度图像对齐

PDF
TL;DR本论文提出了一种基于深度学习的多模态图像对齐解决方案，通过使用卷积神经网络的特征嵌入模块，实现了无需使用基于 Lucas-Kanade (LK) 方法即可取得与最先进方法相媲美的结果。我们的方法在四个航拍数据集上进行了测试，与现有的最新深度 LK 架构相比，取得了最先进的结果。
deep learningmulti-modal image alignmentuav-taken imagesconvolutional neural networkstate of the art results
发现论文，激发创造
  • 跨视角图像检索之外：使用卫星图像实现高精度车辆定位

    本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

    Apr, 2022

  • 深度 Lucas-Kanade 同态变换实现多模态图像对齐

    通过深度 Lucas-Kanade 特征映射 (DLKFM) 实现像素级别对齐多模态图像对，对于具有不同外观变化的图像对的对齐，具有较高的容忍度。

    Apr, 2021

  • 为跨视图地理定位的神经网络引入贷款方向

    本文提出一种基于方向信息的神经网络模型，应用于图像地理定位问题中，使用角度编码方式让神经网络更好的提取特征，使该模型在地理位置定位方面表现出较高的正确率和精度。

    Mar, 2019

  • 城市环境下的跨视角图像匹配用于地理定位

    本文基于深度卷积神经网络，提出了一个新的框架，用于跨视角图像地理定位，包括 Faster R-CNN 和 Siamese 网络，并将其在一个新的数据集上进行了评估，结果表明该方法比其他方法具有更好的定位精度，并能够推广到未见过的位置。

    Mar, 2017

  • 利用航空参考图像进行广域图像地理定位

    本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

    Oct, 2015

  • 端到端弱监督语义对齐

    本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

    Dec, 2017

  • 无监督深度单应性：一种快速而强大的单应性估计模型

    本研究提出一种无监督学习算法，利用深度卷积神经网络估算平面单应矩阵，相较于传统方法和监督式学习算法其具有更快的推理速度、更好的光照变化适应性和优于同类方法的性能表现。

    Sep, 2017

  • 深度视觉语义对齐生成图像描述

    本文介绍了一个基于卷积神经网络、双向递归神经网络和多模态嵌入的模型，用于生成图像及其区域的自然语言描述，并展示了在多个数据集上，该模型的对齐模型均优于基准检索结果，生成的描述显著优于检索结果和基准。

    Dec, 2014

  • DeepVO：用深度递归卷积神经网络实现端到端视觉里程计

    本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

    Sep, 2017

  • HVC-Net: 统一单应性、可见性和置信度学习实现平面物体跟踪

    提出了一种基于卷积神经网络的平面跟踪方法，该方法可以考虑到出现变化、相机和物体相对运动以及遮挡等因素，联合估计单应性、能见度和置信度，融合进 Lucas-Kanade（LK）跟踪器中，能够在 POT 和 TMT 公共数据集上表现出色，并且在合成高质量视频广告等实际应用中也有着优异的表现。

    Sep, 2022