深度学习密集匹配中样本精度与匹配精度的关系研究

作者：李志勇; 官恺^*; 牛泽璇; 晏非; 孙曼; 闫兆婵

来源：地理空间信息, 2022, 20(09): 1-17.

• 深度学习
• 密集匹配
• 样本精度
• 匹配精度
• 迁移学习

随着计算机硬件的发展，深度学习密集匹配方法在近景数据集上取得了惊人的效果，但密集匹配监督方法所需的样本标注困难（尤其是航空影像），且数据区域的样本可能存在误差，而这些误差对密集匹配精度的影响未知。针对该问题，通过模拟样本系统误差、随机误差和粗大误差的方式分析了各项误差与密集匹配精度的关系。结果表明：(1)迁移学习法可有效提高密集匹配精度，使误差平均减少15.3%，并能提升网络抗噪能力，加速网络收敛，减少训练时间；(2)深度学习网络在一定范围内具有容错能力，但误差增幅会随噪声平均偏移量的增加而逐渐变大；(3)深度学习的抗噪能力主要体现在随机误差方面，系统性整体偏差对精度影响更大，尤其是基于视差大小的百分比误差，将大幅降低匹配精度。通过进一步分析Vaihingen与WHU数据集增加系统误差后的表现发现，对于环境复杂且数据样本较少的情况，系统误差可能导致网络直接训练不收敛，此时可采用迁移训练的方法改进。