基于热力图和注意力机制的单目6D姿态估计算法

基于二阶段坐标解耦的单目6D姿态估计方法具有稳定、高效和训练速度快的特点,但在精度上还存在改进空间.提出了一种利用高斯热力图坐标回归和融合注意力的单目6D姿态估计算法.该算法在ResNet34骨干网络中引入融合注意力模块,使网络能够更好地学习物体的表面特征和空间信息;基于可微分空间坐标变换对平移量计算网络进行改进,能够更准确地预测坐标平移量.该算法使用基于密度层次化的聚类方法,建立点云的哈希索引,对所预测的3D点云进行约束,同时有效减少离群的3D采样点.在训练阶段,该算法使用合成渲染图像对LineMod数据集进行扩展,为网络训练提供丰富数据.实验结果表明,该方法的ADD(-S)指标和2D投影误差指标分别达到了93.27%和98.81%,相比基准方法CDPN分别提高了3.41%和0.79%,与PVNet和DPOD等比较新颖的算法对比显示出综合优越性.

基于轻量级图像语义分割模型的指针式仪表读数全自动识别

针对指针式仪表图像特点及现有读数识别方法存在的局限,提出了一种基于轻量级图像语义分割模型的读数全自动识别方法。首先,以轻量级语义分割网络CGNet为基础进行改进,通过增加通道注意力模块SENet进行特征增强和融合,同时适当加深分类层,从而预测更准确的刻度线、指针、量程数字等语义信息;接着,根据刻度线语义分割结果拟合椭圆,建立与标准圆的透视变换关系校正倾斜畸变的图像;然后,在校正图像中通过极坐标变换、图像细化、垂直投影等后处理操作精确提取刻度线、指针,并通过optical character recognition技术识别量程数字;最后,根据刻度线与指针相对位置关系及量程信息确定仪表读数。为验证该方法的有效性,构建了指针式仪表图像数据集。实验结果表明,该方法在图像语义分割精度上与现有轻量化方法相比有较大提升,对测试集图像读数识别的平均相对误差约为0.63%,可满足实际应用需求。

面向倾斜摄影的深度学习航空影像匹配方法

针对传统方法和深度学习匹配方法在倾斜影像上获取匹配点少、复现率低以及精度不高等问题,本文提出一种面向倾斜摄影的深度学习航空影像匹配方法。首先,利用POS信息计算影像重叠区域,并对倾斜影像进行透视变换改正,减弱几何变形对匹配过程的影响;其次,在变换后的重叠区域影像上利用训练的多尺度特征点检测网络推理其对应的高斯热力图,在高斯热力图尺度空间检测极值点作为稳定特征点,基于自监督主方向检测网络获取特征点主方向;接着,在特征点描述阶段,结合网络学习得到的特征点位置和主方向获取尺度旋转不变GeoDesc基础描述子,并考虑图像的几何、视觉上下文信息对描述子进行增强处理;最后,通过双向比值提纯法获取初始匹配点,利用RANSAC和图约束方法剔除误匹配后获得最终匹配点结果。使用ISPRS提供的2组典型区域倾斜影像进行匹配实验,结果表明,相比于SIFT、ASIFT、SuperPoint、GeoDesc及ContextDesc等算法,本文方法能够在大视角变化和纹理信息贫乏的倾斜影像对上获取更多均匀分布的匹配点,同时复现率也要优于其他方法。