参考论文:Siamese Network Features for Image Matching
会议水平:2016 23rd International Conference on Pattern Recognition (ICPR)
1. 摘要和贡献
在计算机视觉应用领域,如运动结构分析、多视图3D重建、图像检索和基于图像的地位,图像匹配都扮演了重要的角色。在这篇文章中,作者采用卷积神经网络表达相似图像对和不相似图像对的特征,然后采用欧拉距离测量特征矢量并估计相似度。其中,作者采用的是类似于孪生网络的结构提取特征向量。在此之前,孪生网络已经成功运用到了图像的局部匹配领域和人脸对比验证,但是还没有应用于图像的大规模匹配。作者通过大量实验验证,提出的图像匹配方法的性能远高于基线算法。这还是在作者标注的标签质量很差的情况下,如果数据量更大,竞金标准更好,作者可以获得更好的结果。
作者的贡献主要表现在两个方面:
1. 基于深度神经网络,利用整幅图像预测图像对的相似性。
2.作者验证了孪生网络在图像匹配中的潜力。
2. 结构、方法、细节
图 1. 模型结构。两个分支结构是一样的,权重分享。
作者的目标在于为图像对学习一个广义的相似度测度函数。作者采用了HybridCNN作为网络的核心组成部分。网络流程也很简单,一对图像分别通过神经网络分支,得到两幅图像在