结合全局和局部正则化的半监督二分类算法

针对在半监督分类问题中单独使用全局学习容易出现的在整个输入空间中较难获得一个优良的决策函数的问题,以及单独使用局部学习可在特定的局部区域内习得较好的决策函数的特点,提出了一种结合全局和局部正则化的半监督二分类算法。该算法综合全局正则项和局部正则项的优点,基于先验知识构建的全局正则项能平滑样本的类标号以避免局部正则项学习不充分的问题,通过基于局部邻域内样本信息构建的局部正则项使得每个样本的类标号具有理想的特性,从而构造出半监督二分类问题的目标函数。通过在标准二类数据集上的实验,结果表明所提出的算法其平均分类正确率和标准误差均优于基于拉普拉斯正则项方法、基于正则化拉普拉斯正则项方法和基于局部学习正则项方法。

基于Census变换和多扫描线优化的半全局立体匹配算法

为了解决局部匹配算法误匹配率高的问题,提出一种基于AD-Census变换和多扫描线优化的半全局匹配算法。首先,通过绝对差AD算法与Census变换相结合作为相似性度量函数计算初始匹配代价,并构建动态交叉域聚合匹配代价;然后在代价聚合计算阶段,将一维动态规划的代价聚合推广到多扫描线优化,利用上下左右四个方向逐次扫描进行匹配代价聚合的计算,并引入正则化约束以确保匹配代价聚合的一致性,大大减少初始代价中的匹配异常点;最后,运用简单高效的胜者为王策略选出像素点在代价聚合最小时对应的视差,并在视差细化阶段,采用左右一致性检测和抛物线拟合方法进行后续处理以提高立体匹配的正确率。实验结果证明,该算法可获得高匹配率的视差图并且耗时较少。

改进半全局匹配的高分卫星影像DSM提取方法

传统半全局匹配算法在提取高分卫星立体像对DSM时,匹配结果受正则化参数的影响较大,且在阴影、低纹理、重复纹理和视差跳变等难以匹配区域存在较多的视差空洞。针对上述问题,该文提出了一种改进半全局匹配的高分卫星影像DSM提取方法:在代价聚合过程中根据当前层金字塔影像的视差搜索范围和代价矩阵自动确定正则化参数以增强匹配结果的稳定性,同时构建金字塔聚合以提高匹配点的数量;在此基础上,利用基于快速双边算子的优化策略优化视差图以填充视差空洞。结果表明:本文方法生成的DSM在建筑物边缘更为精细,同时能够较好地恢复难以匹配区域的高程值,且具有更高的精度水平。

博弈方法下的图像去噪与边界提取

由于半二次正则化模型得到的边界过于模糊,去噪效果也不够理想,因此使用博弈的方法对半二次正则化模型加以改进,对图像同时进行去噪和边界提取。定义了两个参与者,采用经典的半二次正则化方法作为去噪的目标函数,选取比较新颖的全局稀疏梯度模型作为边界提取的目标函数。图像去噪与边界提取这两个参与者在一个博弈过程中交替迭代,将其收敛点作为纳什均衡点。实验结果说明,所提算法能够有效地改进半二次正则化模型,从而得到更好的去噪与边界提取效果。将提出的模型用于各种类别的图像,无论从数值结果还是视觉效果上,所提算法都得到了较好的结果。

大尺度多视立体深度估计网络S-MVSNet

针对现有估计网络空间复杂度高、难以处理高分辨率影像的问题,提出了一种大尺度多视立体深度估计网络(scalable multi-view stereo network,S-MVSNet)。以R-MVSNet为基础,提出一种轻量级的多尺度特征提取网络MiniUNet来降低空间复杂度;结合多尺度循环神经网络(multi-scale recurrent neural network,MS-RNN)来提升正则化网络的感受野;设计半全局正则化(semi-global regularization,SGR)方法将3D正则化问题转化为两个方向上的2D序列正则化问题,以提升深度估计的精度。在DTU、ETH3D及Tanks and Temples数据集上进行测试,测试结果表明,S-MVSNet能在8 GB显存下处理2K影像,支持的最大输入分辨率是RMVSNet的2.25倍,平均精度较R-MVSNet提升11%。