申请/专利权人:杭州电子科技大学
申请日:2023-08-14
公开(公告)日:2023-11-14
公开(公告)号:CN117058400A
主分类号:G06V10/40
分类号:G06V10/40;G06V10/82;G06V10/30;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.12.01#实质审查的生效;2023.11.14#公开
摘要:本发明公开了一种微光RAW图像端到端训练的特征提取方法。首先构建包含具有基本像素对像素对应关系的图像对的大规模数据集;然后构建基于L2‑Net网络的深度学习框架LowerFeat,确定损失函数;再通过构建的大规模数据集对LowerFeat进行训练;最后通过训练好的LowerFeat实现特征提取。本发明提出了LowerFeat框架,该框架以端到端的方式输出RAW格式图像的局部特征检测和描述,能可靠地提取足够的关键点,同时抑制具有不显著和噪声敏感特征的区域。
主权项:1.一种微光RAW图像端到端训练的特征提取方法,其特征在于,包括步骤如下:步骤1:构建包含具有基本像素对像素对应关系的图像对的大规模数据集;通过微光RAW图像生成流水线,从当前的大规模RGB图像匹配数据集中合成微光RAW图像对;步骤2:构建基于L2-Net网络的深度学习框架LowerFeat;步骤3:确定损失函数;步骤4:通过步骤1构建的大规模数据集对LowerFeat进行训练;步骤5、通过训练好的LowerFeat实现特征提取;将待处理的微光RAW图像对作为训练好的LowerFeat的输入,通过LowerFeat模型提取特征点实现特征提取。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 一种微光RAW图像的端到端训练的特征提取方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。