资料下载
如何使用深度信念网络进行异常点集间的匹配算法说明
分享资料个
在存在异常值、噪声或缺失点的情况下，损坏的点集中很难区分异常点与正常点，并且点集之间的匹配关系也会受到这些异常点的影响。基于正常点之间存在某种联系以及正常点与异常点之间存在差异的先验知识，提出将点集间匹配关系的估计问题模型化为机器学习的过程。首先，考虑到两个正常点集之间的误差特征，提出了一种基于深度信念网络（ DBN）的学习方法来训练具有正常点集的网络；然后，使用训练好的DBN测试损坏的点集，根据设置的误差阈值在网络输出端就可以识别异常值和不匹配的点。对存在噪声和缺失点的2D、3D点集所做的匹配实验中，利用模型预测样本的结果定量评估了点集间的匹配性能，其中匹配的精确率可以达到94qo以上。实验结果表明，所提算法可以很好地检测点集中的噪声，即使在数据缺失的情况下，该算法也可以识别几乎所有的匹配点。
点集配准是计算机视觉、医学图像分析、模式识别和信号处理的基本和关键问题之一。点集配准的目标是找到两个点集之间的正确匹配关系，并确定出能对准它们的空间变换。通常从图像中提取或由3D扫描仪生成的点集所表示的物体表面，由于测量方法的可变性、实验误差、光照变化等因素，不可避免地在图像采集和特征提取的过程中产生噪声、异常值和缺失点。因此，点集配准问题面临着一些挑战，最关键的挑战之一是能否在存在异常值、缺失点和噪声的情况下建立正确的匹配关系。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
