基于改进PMVS算法的多视遥感地形影像密集匹配

基于面元的多视立体(PMVS)算法应用于遥感多视地形影像三维场景重建时,影像中的弱纹理、灰度值变化不明显区域使得重建出的三维地形点云存在整体分布密度低和局部孔洞现象.结合遥感地形影像的特点,提出了基于影像块的并发SIFT算子和地面高程范围约束的改进PMVS算法,首先在特征提取阶段得到分布密集、均匀的特征点,进而通过地面高程范围约束的匹配传播过程高效地得到种子面元,再通过迭代种子面元扩充、面元过滤过程得到地形影像的三维点云数据.实验结果表明,相比原PMVS算法,改进的PMVS算法可在幅宽大、存在弱纹理区域的多视遥感地形影像上重建出稠密点云,有效修复了地形点云场景中的孔洞,并提高了重建时间效率.     

结合一阶和二阶空间信息的行人重识别

针对行人重识别中行人检测误差引起的空间错位,基于局部的深度网络模型仅学习相邻局部关系,导致远距离局部相关性缺失,因此,提出了一种结合一阶和二阶空间信息的行人重识别算法。在主干网络上,学习一阶空间掩模对输入图像的空间权值进行微调,以减少背景干扰;通过二阶空间掩模对远距离的依赖关系进行建模,并将局部特征集成到依赖模型中,以获取全局特征表示。局部分支引入DropBlock对抽取的行人特征进行正则化,避免了网络模型过于依赖特定部位特征。训练阶段用标签平滑分类损失和引入正样本中心的三元组损失联合优化整个网络。在Market-1501和DukeMTMC-reID数据集上的实验结果表明,相比其他主流算法,本算法的行人重识别精度更高,且提取的行人特征判别性和鲁棒性更好。