AFD-Net：互光谱图像块匹配的特征差异学习网络

本文主要介绍了互光谱图像块匹配中的一种新型特征差异学习网络——AFD-Net，该网络旨在解决传统方法在处理跨谱域图像匹配时遇到的问题，即传统方法学到的鉴别特征较弱以及两个图像域之间显著的外观差异。AFD-Net通过聚合多层次的特征差异来增强区分性，同时利用基于实例归一化的领域不变特征提取网络，以保持特征在不同谱域的不变性。此外，采用大余量余弦损失进行优化，使得匹配和非匹配样本之间的类内距离减小，类间距离增大。实验证明，AFD-Net在跨光谱数据集上的性能显著优于现有技术，并且在单光谱数据集上也有良好的推广能力。 1. 引言 互光谱图像匹配是计算机视觉中的关键任务，它在图像检索、多视图立体重建和图像配准等应用中具有重要作用。随着对不同光谱域互补信息认识的加深，交叉光谱图像匹配成为了研究热点。然而，由于互光谱图像间的成像机制差异，传统的基于手工局部特征的方法无法有效匹配。深度学习方法在此领域展现出潜力，特别是描述符学习和特征匹配网络的发展。 2. AFD-Net网络结构 AFD-Net的核心是多层次特征差异聚合和领域不变特征提取。首先，网络不仅关注高层特征，还考虑了低层和中间层特征的差异，这些差异提供了丰富的学习信息。其次，通过实例归一化实现领域不变性，确保特征在不同谱域下的表示一致性。 3. 大余量余弦损失 在网络优化过程中，大余量余弦损失被用来优化特征空间的分布，缩小匹配对之间的特征距离，扩大非匹配对的特征距离，从而提高匹配精度。 4. 实验与分析 实验部分展示了AFD-Net在多个跨光谱数据集上的优越性能，证明了其在复杂场景下的鲁棒性和泛化能力。此外，与传统方法和现有深度学习方法的比较进一步证实了AFD-Net的有效性。 5. 结论与展望 本文提出的AFD-Net为互光谱图像块匹配提供了一种新思路，通过集成特征差异学习和领域不变性，提高了匹配准确性和泛化性。未来的研究可能集中在如何进一步提升网络的效率和适应性，以及将这种方法扩展到其他跨模态图像匹配任务中。 AFD-Net是针对互光谱图像匹配问题的一个创新解决方案，它结合了多层次信息和领域不变性，提升了匹配效果。这一方法为互光谱图像处理领域带来了新的进展，并为后续研究提供了理论和技术支持。