基于跨視角匹配的圖像地理位置定位任務是將待查詢的地面視角圖像與參考數(shù)據(jù)集里帶有GPS標記的航拍(衛(wèi)星)圖像進行比對,從而確定待查詢的地面視角圖像的地理位置(GPS坐標)。然而,由于地面和衛(wèi)星圖像視角的劇烈變化,導致地面和衛(wèi)星圖像間的視覺內(nèi)容差異巨大,這也使得跨視角圖像匹配具有較大的挑戰(zhàn)性。本文通過對當前研究的跨視角圖像匹配問題的幾個研究熱點方向進行研究總結(jié),從跨視角圖像的表征、距離度量和視角轉(zhuǎn)換等多個角度入手,主要研究工作如下:1)基于表征學習的跨視角圖像地理位置定位算法本文提出了一種用于解決跨視角圖像地理定位問題的端到端網(wǎng)絡,即GeoNet。該網(wǎng)絡通過融合多個卷積層和膠囊層來捕獲特征表示及其關(guān)系,從而進一步對空間特征層次進行建模,增強表征能力。此外,本文還提出了一種簡單有效的基于在線批量的難樣本挖掘的加權(quán)軟邊界損失函數(shù)(weighted soft-margin triplet loss with batch hard-mining),它不僅避免了使用三元組損失函數(shù)(triple loss)和四元組損失函數(shù)(quadruple loss)時邊界(margin)參數(shù)的選擇,而且提高了圖像檢...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 手工提取特征
        1.2.2 深度特征
        1.2.3 主要存在的問題
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)及研究
    2.1 卷積神經(jīng)網(wǎng)絡理論
        2.1.1 感知器
        2.1.2 神經(jīng)元模型
        2.1.3 神經(jīng)網(wǎng)絡
        2.1.4 卷積神經(jīng)網(wǎng)絡
    2.2 膠囊神經(jīng)網(wǎng)絡
        2.2.1 卷積神經(jīng)網(wǎng)絡的缺陷
        2.2.2 膠囊工作原理
        2.2.3 動態(tài)路由算法
    2.3 生成對抗網(wǎng)絡
    2.4 現(xiàn)有方法簡介
    2.5 數(shù)據(jù)集與評估標準
    2.6 本章小結(jié)
第3章 基于表征學習的跨視角圖像地理位置定位算法
    3.1 引言
    3.2 網(wǎng)絡架構(gòu)
    3.3 度量學習損失函數(shù)
        3.3.1 對比損失函數(shù)
        3.3.2 三元組損失函數(shù)
        3.3.3 四元組損失函數(shù)
        3.3.4 加權(quán)軟邊界損失函數(shù)
    3.4 難樣本挖掘
        3.4.1 基于訓練批量的難樣本挖掘三元組損失函數(shù)
        3.4.2 邊界樣本挖掘損失函數(shù)
        3.4.3 基于批量的難樣本挖掘加權(quán)軟邊界損失函數(shù)
    3.5 實驗設置
    3.6 實驗結(jié)果
        3.6.1 性能對比
        3.6.2 ResNetX分析
        3.6.3 膠囊層分析
        3.6.4 基于批量的難樣本挖掘加權(quán)軟邊界損失函數(shù)的分析
    3.7 本章小結(jié)
第4章 基于視角轉(zhuǎn)換的跨視角圖像地理位置定位算法
    4.1 引言
    4.2 系統(tǒng)架構(gòu)
    4.3 圖像視角轉(zhuǎn)換
        4.3.1 對抗損失函數(shù)
        4.3.2 網(wǎng)絡結(jié)構(gòu)
    4.4 相似度學習
    4.5 實驗設置
    4.6 實驗結(jié)果
        4.6.1 與現(xiàn)有方法的比較
        4.6.2 轉(zhuǎn)換效果分析
        4.6.3 損失函數(shù)對比
        4.6.4 網(wǎng)絡結(jié)構(gòu)對比
        4.6.5 模型比較
    4.7 本章小結(jié)
第5章 總結(jié)與展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：4039194