論文の概要: Precise Aerial Image Matching based on Deep Homography Estimation

• arxiv url: http://arxiv.org/abs/2107.08768v1
• Date: Mon, 19 Jul 2021 11:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 20:17:16.596284
• Title: Precise Aerial Image Matching based on Deep Homography Estimation
• Title（参考訳）: 深部ホログラフィー推定に基づく高精度航空画像マッチング
• Authors: Myeong-Seok Oh, Yong-Ju Lee, Seong-Whan Lee
• Abstract要約: 本研究では,2つの空中画像に精度よく一致する深部ホモグラフィアライメントネットワークを提案する。 提案するネットワークは、より高い自由度でマッチングネットワークをトレーニングすることができる。 本稿では,学習が難しいホモグラフィ推定ネットワークを効果的に学習する手法を提案する。
• 参考スコア（独自算出の注目度）: 21.948001630564363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aerial image registration or matching is a geometric process of aligning two aerial images captured in different environments. Estimating the precise transformation parameters is hindered by various environments such as time, weather, and viewpoints. The characteristics of the aerial images are mainly composed of a straight line owing to building and road. Therefore, the straight lines are distorted when estimating homography parameters directly between two images. In this paper, we propose a deep homography alignment network to precisely match two aerial images by progressively estimating the various transformation parameters. The proposed network is possible to train the matching network with a higher degree of freedom by progressively analyzing the transformation parameters. The precision matching performances have been increased by applying homography transformation. In addition, we introduce a method that can effectively learn the difficult-to-learn homography estimation network. Since there is no published learning data for aerial image registration, in this paper, a pair of images to which random homography transformation is applied within a certain range is used for learning. Hence, we could confirm that the deep homography alignment network shows high precision matching performance compared with conventional works.
• Abstract（参考訳）: 航空画像登録またはマッチングは、異なる環境で撮影された2つの航空画像を調整する幾何学的プロセスである。 正確な変換パラメータの推定は、時間、天気、視点といった様々な環境によって妨げられる。 航空画像の特徴は、主に建物や道路による直線で構成されている。 したがって、2つの画像間のホモグラフィパラメータを直接推定すると直線が歪む。 本稿では, 様々な変換パラメータを段階的に推定することにより, 2つの空中画像に精度よく一致する深層ホモグラフィアライメントネットワークを提案する。 提案するネットワークは,変換パラメータを段階的に解析することにより,高い自由度でマッチングネットワークを訓練することができる。 ホモグラフィ変換を適用することにより、精度マッチング性能が向上した。 さらに,学習が困難であるホモグラフィ推定ネットワークを効果的に学習する手法を提案する。 航空画像登録のための公開学習データが存在しないため,本稿では,ランダムホモグラフィ変換を一定の範囲で適用した一対の画像を用いて学習を行う。 したがって,ディープホモグラフィアライメントネットワークは従来の手法と比較して精度の高いマッチング性能を示すことが確認できた。

関連論文リスト

• MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
  MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。 異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。 提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
  論文  参考訳（メタデータ） (2024-10-23T19:20:57Z)
• Predicting ptychography probe positions using single-shot phase retrieval neural network [5.889405057118457]
  本研究では, 位置誤差が大きいデータに対して, ポジトグラフィープローブの位置予測を行うための, 根本的に新しい手法を提案する。 ニューラルネットワークを用いて個々の回折パターンの単発位相を検索し、各走査点における対象画像を生成する。 提案手法は,102ドル画素の順序で誤差を蓄積し,高精度な位置予測精度を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-05-31T15:21:06Z)
• Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging [0.810120481608724]
  超高速超音波イメージングは、多くの集束波ではなく、異なるビームステアリング角度で複数の平面波の1つまたは1つの組み合わせで媒体を照射する。 深層学習アプローチは、特に単一平面波のイメージングにおいて、この欠点を軽減するために提案されている。 本稿では,従来の画像形成手法を取り入れたデータ・ツー・イメージ・ネットワークを,ネットワークアーキテクチャにおける識別可能なレイヤとして検討する。
  論文  参考訳（メタデータ） (2024-04-22T13:58:36Z)
• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
  現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。 一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-12-04T05:30:44Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Coarse-to-Fine Gaze Redirection with Numerical and Pictorial Guidance [74.27389895574422]
  本稿では,数値誘導と画像誘導の両方を利用した新しい視線リダイレクトフレームワークを提案する。 提案手法は,画像品質とリダイレクト精度の両方の観点から,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-04-07T01:17:27Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• Leveraging Photogrammetric Mesh Models for Aerial-Ground Feature Point Matching Toward Integrated 3D Reconstruction [19.551088857830944]
  地上・地上画像の統合は, 都市環境における表面の再構築を効果的に進めるためのアプローチとして証明されている。 幾何認識による画像補正に基づく従来の研究により,この問題は緩和された。 地上画像マッチングにフォトグラムメッシュモデルを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T01:47:59Z)
• A Two-Stream Symmetric Network with Bidirectional Ensemble for Aerial Image Matching [24.089374888914143]
  本研究では,2ストリームの深層ネットワークを用いて異なる環境下で得られた2つの空中画像を正確にマッチングする手法を提案する。 ネットワークは、対象画像を内部的に増強することにより、3つの入力画像で2ストリームを考慮し、トレーニングにおける追加の強化ペアを反映する。
  論文  参考訳（メタデータ） (2020-02-04T14:38:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。