标签：配准 Image Registration 文档 https 图像 Net
-
一、论文一：Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Features
-
1.论文链接：
https://ieeexplore.ieee.org/document/8404075
-
2.GitHub：
https://github.com/yzhq97/cnn-registration
-
3.Motivation：
多时相遥感图像被广泛应用于军事和民用领域，比如地面目标识别、城市发展评估以及地理变化评估。地面变化对特征点在数量和质量上的检测具有一定的挑战，这是基于特征点检测的配准算法所面临的常见的困难。
-
4.Method：
提出了一种基于特征的图像配准方法，两个关键贡献：
使用预训练的VGG网络构建基于卷积神经网络的特征提取方法。 针对卷积神经网络在图像配准中的有效利用，该特征描述符利用高级卷积信息保留一些定位功能。
提出了一种特征点配准方法，该方法使用逐渐扩大的内点选择机制，以便在配准的早期阶段通过最可靠的特征点快速确定粗略变换参数。 之后，通过增加特征点的数量来优化配准细节，同时限制不匹配。
-
5.Result：
-
二、论文2：DocUNet: Document Image Unwarping via A Stacked U-Net
-
1.论文链接：
https://openaccess.thecvf.com/content_cvpr_2018/html/Ma_DocUNet_Document_Image_CVPR_2018_paper.html
-
2.GitHub1：
https://github.com/mhashas/Document-Image-Unwarping-pytorch
-
3.GitHub2：
https://github.com/teresasun/docUnet.pytorch
2018旷视科技发表在CVPR上
-
4.Motivation：
文档数字化是保存现有打印文档的一种重要方式，随着移动摄像头日益增多，拍摄物理文档成为最便捷的一种文档扫描方式，一旦拍摄，图像可由文本检测和识别技术进一步处理，实现内容分析和信息提取。
拍摄文档图像常见的一个实际问题是文档页的扫描条件不理想：它们可能弯曲、折叠、弄皱，或者放在非常复杂的背景上。因此存在数字化平整拍摄图像中扭曲文档的需求。
-
5.Method：
本文给出一种基于学习的全新方法，来复原任意弯曲和折叠的文档拍摄图像。
不同于先前方法，本文提出首个端到端学习方法，可以直接预测文档扭曲。
先前方法只使用学习提取特征，而最后的图像复原仍基于传统的优化技术；本文方法则借助卷积神经网络（CNNs）端到端复原图像。
该方法把这一问题转化为寻找合适的 2D 映射，以复原失真图像文档。它预测一个映射域，把扭曲的源图像 S(u, v) 中的像素移动到结果图像 D 中的 (x, y) 。
-
6.Model：
选择 U-Net 作为基础模型，它基本上是一个全卷积网络，包含一系列的下采样层和随后的上采样层，特征映射在上、下采样层之间连接。
该网络由两个 U-Net 堆叠而成。该网络从第一个 U-Net 的输出中分割和输出一个前向映射 y_1。应用在 y_2 的同一损失也应用在 y_1。接着 y_1 连接到第一个 U-Net 的输出特征映射，并作为第二个U-Net 的输入。y_2 可直接用于生成复原图像。
-
7.Result：
其他参考：
https://www.cnblogs.com/carsonzhu/p/11188574.html
https://www.sicara.ai/blog/2019-07-16-image-registration-deep-learning
https://blog.csdn.net/paopaovae/article/details/87933600
https://blog.csdn.net/weixin_41876817/article/details/83056331
标签：配准,Image,Registration,文档,https,图像,Net 来源： https://blog.csdn.net/m0_46483236/article/details/118087404
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。