多层渐进式特征对齐网络优化的空地影像稳健匹配

精细三维模型是智慧城市建设的关键空间基础信息,而视角变化、遮挡等因素导致基于航空影像生成的三维模型容易出现边缘不准确、孔洞以及建筑物立面纹理模糊等问题。地面影像可以很好地解决倾斜摄影建模底部缺失与区域遮挡的问题,因此,提出一种轻量化多层渐进式特征对齐网络优化的空地影像匹配方法,以实现空地影像的稳健匹配,为城市建模提供一定的技术支撑。设计多层渐进式匹配网络优化策略,利用EfficientNet-B3预训练模型的高层特征图进行双向匹配,取双向匹配的交集作为初始匹配点集。根据初始匹配点对,采用RANSAC策略计算初始单应矩阵,运用该矩阵对地面影像进行图像变换,得到近似空中视角的影像,从而完成特征匹配与粗差剔除。针对空中影像和近空视角影像,在前面多层特征图上进行匹配和优化。在每一层特征图上都计算该层特征图的匹配和对上层匹配点对的位置校正,最终得到精确的匹配点集。以无人机DJI-MAVIC2拍摄的航空影像及手持设备拍摄的地面影像等8组典型数据作为对象进行实验,结果表明,与SIFT、D2-net、DFM等方法相比,该方法具有良好的匹配性能,平均同名点匹配数量较次优方法提升了1.3倍。

基于改进VarifocalNet的高精度目标检测算法

针对通用目标检测场景下,现有单阶段无锚检测器识别精度低、识别困难等问题,提出一种基于改进变焦网络VFNet(VarifocalNet)的高精度目标检测算法。首先,利用循环层聚合网络(RLANet)替换VFNet用于特征提取的主干网络ResNet,循环残差连接操作将前层特征汇入后续网络层中提升特征的表征能力;其次,通过带有特征对齐卷积操作的特征金字塔网络(FPN)替换原始的特征融合网络,利用可变形卷积操作在FPN上下层融合过程中实现特征对齐并优化特征表征能力;最后,使用聚焦-全局蒸馏(FGD)算法进一步提升小规模算法的检测性能。在COCO(Common Objects in Context)2017数据集上进行的评估实验结果表明,在相同训练条件下,改进后的以RLANet-50为主干的算法的均值平均精度(mAP)可以达到45.9%,与VFNet算法相比提升了4.3个百分点,而改进后的算法参数量为36.67×10^(6),与VFNet相比仅高了4×10^(6)。可见,改进后的VFNet算法在提升检测精度的同时稍微增加了参数量,说明该算法可以满足目标检测的轻量化及高精度需求。