DSCNet:通过深度可分离的交叉卷积块进行斑点图像匹配的轻量级和高效的自我监督网络
Optics express
|April 4, 2024
概括
这项研究引入了一种新型的自我监督卷积神经网络 (CNN),用于高精度的斑点图像匹配. 这种高效的方法显著降低了特征点不匹配率,使得快速的3D重建成为可能.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 斑点结构光对于3D信息获取至关重要.
- 传统方法的特点很低,不匹配率很高,实时性能差.
- 深度学习方法需要昂贵的注释数据.
研究的目的:
- 开发一个轻量级,高效,自我监督的CNN,用于高精度和快速的斑点图像匹配.
- 为了克服现有的斑点匹配算法的局限性.
主要方法:
- 提出了一个使用深度可分离的交叉卷积块的特征提取骨干.
- 设计了一个softargmax检测头,以获得子像素精度,以及一个粗细模块,以匹配精细化.
- 员工转移学习,自我监督学习,数据增强和实时培训.
主要成果:
- 在飞行员头盔上的斑点特征点上获得了91.62%的平均匹配精度.
- 显示了低的不匹配率,仅为0.95%.
- 该模型在RTX 3060.0上在42ms内处理了一对斑点图像对.
结论:
- 拟议的自主监督的CNN为斑点图像匹配提供了强大而高效的解决方案.
- 这种方法增强了概括和特征表示能力,而不需要注释数据.
- 这种方法可以实现高精度,实时的3D重建应用.


