《表2 CNN体系结构的参数》
第二类方法不存在度量层,这类网络的输出即为特征描述符,在某些应用中可以直接代替传统描述符。Balntas等人[82]提出的PN-Net采用Triplet网络训练,训练过程如图14所示。图像块三元组T={p1,p2,n},包括正样本对(p1,p2)和负样本对(p1,n)、(p2,n),采用SoftPN损失函数计算网络输出描述子间相似性,以确保最小负样本对距离大于正样本对距离。表2给出所采用的CNN体系结构的参数,采用32×32像素的图像块作为输入,括号内的数字表示卷积核大小,箭头后面的数字表示输出通道数,Tanh为激活函数。与其他特征描述符相比,PN-Net具有更高效的描述符提取及匹配性能,能显著减少训练和执行时间。
图表编号 | XD0082892500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.16 |
作者 | 贾迪、朱宁丹、杨宁华、吴思、李玉秀、赵明远 |
绘制单位 | 辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |