[发明专利]一种基于卷积神经网络的单应性矩阵估计方法在审
| 申请号： | 201810671660.0 | 申请日： | 2018-06-26 |
| 公开（公告）号： | CN108984481A | 公开（公告）日： | 2018-12-11 |
| 发明（设计）人： | 戴声奎;林财明;卫志敏;高剑萍 | 申请（专利权）人： | 华侨大学 |
| 主分类号： | G06F17/16 | 分类号： | G06F17/16;G06N3/04;G06N3/08 |
| 代理公司： | 厦门市首创君合专利事务所有限公司 35204 | 代理人： | 张松亭;李艾华 |
| 地址： | 362000 福建省*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及本发明一种基于卷积神经网络的单应性矩阵估计方法，首先生成大量的数据集；将数据集输入构建的卷积神经网络中进行训练，网络结构共含有10个卷积层、10个群组归一化层、4个池化层、2个全连接层和2个dropout层；将具有变形变换的两幅图像输入该卷积神经网络后，在最后一层输出8个实数，即单应性矩阵；本发明提供的卷积神经网络模型估计单应性矩阵方法，是一种端到端的估计单应性矩阵方式，为计算图像的单应性矩阵提供一种方法。 | ||
| 搜索关键词： | 单应性矩阵 卷积神经网络 数据集 两幅图像 模型估计 网络结构 实数 归一化 连接层 池化 构建 卷积 群组 变形 图像 输出 | ||
【主权项】：
1.一种基于卷积神经网络的单应性矩阵估计方法，其特征在于，包括如下步骤：a)生成输入数据集；b)将所述数据集输入卷积神经网络第一卷积层；将所述第一卷积层的输出输入到第一群组归一化层；将所述第一群组归一化层的输出输入卷积神经网络的第二卷积层；c)将所述第二卷积层的输出输入到第二群组归一化层；将所述第二群组归一化层的输出输入到第一池化层；d)将所述第一池化层的输出输入卷积神经网络的第三卷积层；将所述第三卷积层的输出输入到第三群组归一化层；将所述第三群组归一化层的输出输入卷积神经网络的第四卷积层；e)将所述第四卷积层的输出输入到第四群组归一化层；将所述第四群组归一化层的输出输入到第二池化层；f)将所述第二池化层的输出输入卷积神经网络的第五卷积层；将所述第五卷积层的输出输入到第五群组归一化层；将所述第五群组归一化层的输出输入卷积神经网络的第六卷积层；g)将所述第六卷积层的输出输入到第六群组归一化层；将所述第六群组归一化层的输出输入到第三池化层；h)将所述第三池化层的输出输入卷积神经网络的第七卷积层；将所述第七卷积层的输出输入到第七群组归一化层；将所述第七群组归一化层的输出输入卷积神经网络的第八卷积层；i)将所述第八卷积层的输出输入到第八群组归一化层；将所述第八群组归一化层的输出输入到第四池化层；j)将所述第四池化层的输出输入卷积神经网络的第九卷积层；将所述第九卷积层的输出输入到第九群组归一化层；将所述第九群组归一化层的输出输入卷积神经网络的第十卷积层；k)将所述第十卷积层的输出输入到第十群组归一化层；将所述第十群组归一化层的输出输入到第一Dropout层；l)将所述第一Dropout层的输出输入到卷积神经网络的第一全连接层，然后将所述第一全连接层的输出输入到第二Dropout层；m)将所述第二Dropout层的输出输入到卷积神经网络的第二全连接层，然后将所述第二全连接层的输出输入到第二Dropout层，所述第二Dropout层输出8个实数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华侨大学，未经华侨大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810671660.0/，转载请声明来源钻瓜专利网。
