科研之友
微信
新浪微博
Facebook
分享链接
摘要
单应估计是许多计算机视觉任务中一个基础且重要的步骤。传统单应估计方法基于特征点匹配，难以在弱纹理图像中工作。深度学习已经应用于单应估计以提高其鲁棒性，但现有方法均未考虑到由于物体尺度差异导致的多尺度问题，所以精度受限。针对上述问题，提出了一种用于单应估计的多尺度残差网络。该网络能够提取图像的多尺度特征信息，并使用多尺度特征融合模块对特征进行有效融合，此外还通过估计四角点归一化偏移进一步降低了网络优化难度。实验表明，在MS-COCO数据集上，该方法平均角点误差仅为0.788个像素，达到了亚像素级的精度，并且在99%情况下能够保持较高的精度。由于综合利用了多尺度特征信息且更容易优化，该方法精度显著提高，并具有更强的鲁棒性。
- 单位
