《表3 SfM重建效果：基于卷积神经网络的局部图像特征描述符算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的局部图像特征描述符算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：der＿hass、fountain、achteck＿turm来自MVE数据集；stone＿carving为我们实际拍摄。表中加粗数据分别表示传统方法以及本文提出的性能最好的模型，下划线数据表示本文提出的性能第二的模型

图像匹配是对不同成像条件下获取的两幅或多幅图像的相同点进行匹配，而局部特征描述符常用于图像匹配。本节实验选取了4组图像集，其中，前3组来自MVE(Multi-View Environment）数据集[15]，第4组为我们实际拍摄。图3展示了部分图像集。实验中，采用DoG(Difference of Gau-ss）算法对每张图像提取特征点，然后用各网络对每组序列图像进行特征匹配，并进行三维重建。以各个网络的得到的三维空间点数量比较各个网络的性能，点数越多，说明描述符越准确，性能越好，同时也列出各个网络计算1 000个特征点的描述符以及匹配所花费的时间。各描述符重建结果见表3，三维重建主要参考Multi-View Environment[15]的方法。