《表9 图像匹配方法对应论文及代码地址》

  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

基于CNN的描述符学习的主流体系结构为Siamese网络和Triplet网络。Siamese网络以成对图像块作为共享权值的深度神经网络的输入，再将输入映射到新的空间，形成输入在新空间中的表示，通过损失函数计算块对间相似度，适用于处理两个输入区域特征较为相似情况，MatchNet就是典型的Siamese网络。不共享权值网络称为pseudo-Siamese网络，两边输入既可以是相同类型的神经网络，又可以是不同类型的神经网络，适用于处理两个输入有一定差别的情况。Siamese网络还可以应用在手写识别、词汇的语义相似度分析以及目标跟踪等领域。Triplet网络输入三个图像块，分别为两个正样本和一个负样本，训练目的是让相同类别间的距离尽可能小，不同类别间距离尽可能大，PN-Net即是采用Triplet网络进行训练的。表7从输入数据、表现形式、目标输出、代表方法四个方面对Siamese网络和Triplet网络进行分析比较。表现形式上，正样本对和负样本对在Siamese网络中相互分开，而在Triplet网络中则互相关联；两者都采用正样本对间距离最小、负样本对间距离最大的方式获得目标输出。表8从样本组织形式、应用形式和计算复杂度三方面对基于深度学习的匹配方法进行分析描述，其中MatchNet和DeepCompare以成对图像块作为输入，且均包含度量层，但DeepCompare的提取时间远小于MatchNet。DeepDesc、L2-Net、PN-Net均采用L2距离衡量相似性，但三者的组织形式不同:DeepDesc的输入为图像块对，L2-Net为全局信息，PN-Net为图像块三元组。PN-Net的特征提取时间最短，L2-Net和DeepCompare次之，DeepDesc和MatchNet的处理时间最长。表9给出本文中所列举近几年算法的论文和代码下载地址，方便读者参考。