买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：烟台大学

摘要：本发明公开了一种无监督多尺度多阶段的内容感知单应性估计方法，应用于计算机视觉技术领域，采用一种多尺度多阶段的单应性估计网络，每个阶段的单应性估计网络包括三个部分：Self‑AttentionaugmentedConvNet特征提取模块F·、特征匹配模块M·和单应性估计模块H·。提出了一种Self‑AttentionaugmentedConvNet特征提取方法，用于提取图像的局部和全局特征信息，并在单应性估计网络中引入特征匹配模块，增强两幅图像特征之间的匹配关系。在每个单应性估计阶段预测的都是整体单应性的残差，并且在每个阶段最小化两幅图像之间的像素强度误差，实现了一种由粗到细的无监督单应性估计方法。

主权项：1.一种无监督多尺度多阶段的内容感知单应性估计方法，其特征在于，包括以下步骤：S1、获取图像数据集，并将图像数据集分为训练数据集和测试数据集；S2、构建一种多尺度多阶段的单应性估计网络；S3、将训练数据集输入到多尺度多阶段的单应性估计网络中对多尺度多阶段的单应性估计网络进行训练，得到最终的多尺度多阶段的单应性估计网络模型；S4、将测试数据集输入到多尺度多阶段的单应性估计网络模型中对多尺度多阶段的单应性估计网络模型进行测试；在S3的训练过程中，整个MS2CA-HENet网络通过最小化每个阶段图像像素之间的差值来进行无监督的网络训练，损失函数包括三个分支： 其中H1、H2、H3分别表示三个阶段求得的四个角点对应横纵坐标的偏移量Δ1、Δ2、Δ3对应的单应性矩阵，W表示的是空间变换操作，将单应性矩阵变换于图像上；α1，α2，α3分别是三个权重系数；在S3的训练过程中，对预测的坐标偏移量进行尺度缩放Δ'1＝2×Δ1，使用张量直接线性变换得到第二阶段预估的单应性变换H1S，其中H1表示第一阶段偏移量对应的单应性矩阵，S是尺度缩放因子，将H1乘以两倍的尺度缩放因子得到H1S，并再次逆变换作用于输入图像上得到第二阶段的输入在S3的训练过程中，第二个阶段网络的输出为偏移量Δ2，对应的单应性矩阵为H2；将第一阶段单应性估计网络预测的坐标Δ1进行尺度缩放4×Δ1，并将对应的单应性矩阵逆空间变换作用于128×128分辨率的输入图像然后将第二阶段预测的单应性变换H2乘以两倍的尺度缩放因子得到H2S，并再次逆变换作用于输入图像上得到在S3的训练过程中，最终整个单应性矩阵对应的四点参数化形式的坐标偏移量为Δ3＝2×2×Δ1+Δ2+Δ3。

全文数据：

权利要求：

百度查询： 烟台大学 一种无监督多尺度多阶段的内容感知单应性估计方法