从非结构化的摄像机阵列中进行半监督图像拼接
Erman Nghonda Tchinda1, Maximillian Kealoha Panoff1, Danielle Tchuinkou Kwadjo1
1Department of Electrical and Computer Engineering, The Herbert Wertheim College of Engineering, University of Florida, Gainesville, FL 32611-6200, USA.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了使用SandFall算法和卷积神经网络进行图像拼接的深度学习方法. 它有效地结合了来自非结构化的摄像机组的图像,比传统方法提高了速度和准确性.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 传统的图像拼接方法与非结构化的摄像机阵列和场景重叠作斗争.
- 顺序对接可以导致级联错误和降低效率.
研究的目的:
- 介绍一种基于深度学习的方法,用于从大型,非结构化的摄像机组中拼接图像.
- 为了提高复杂场景的图像拼接的效率和准确性.
主要方法:
- 使用SandFall算法将多个摄像头的数据同时转换成一个缩小的固定数组.
- 使用定制的卷积神经网络来处理转换的数据.
- 实施无监督培训方法,使用生成对抗网络指标和监督学习.
主要成果:
- 拟议的方法同时拼接图像,避免了顺序方法的级联错误.
- 在CPU和GPU上实现了大约1/7的传统方法的处理时间.
- 交付的结果与已建立的图像拼接技术一致.
结论:
- 深度学习方法为图像拼接的速度和效率提供了显著的改进.
- 这种方法有效地处理复杂的场景和非结构化的摄像头设置.
- 同步处理和新的训练方法提高了图像拼接的稳定性和性能.
