《表2 CNN体系结构的参数》

  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

《图像匹配方法研究综述》

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

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。