Centre dedocumentation
scientifique

PPD: Pyramid Patch Descriptor via convolutional neural network / Jie Wan in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 9 (September 2019)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 85 n° 9 (September 2019) . - pp 673 - 686 Titre : PPD: Pyramid Patch Descriptor via convolutional neural network Type de document : Article/Communication Auteurs : Jie Wan, Auteur ; Alper Yilmaz, Auteur ; Lei Yan, Auteur Année de publication : 2019 Article en page(s) : pp 673 - 686 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse comparative [Termes descripteurs IGN] appariement d'images [Termes descripteurs IGN] benchmark spatial [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] données localisées de référence [Termes descripteurs IGN] échantillonnage d'image [Termes descripteurs IGN] état de l'art [Termes descripteurs IGN] extraction de données [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] jeu de données localisées Résumé : (Auteur) Local features play an important role in remote sensing image matching, and handcrafted features have been excessively used in this area for a long time. This article proposes a pyramid convolutional neural triplet network that extracts a 128-dimensional deep descriptor that significantly improves the matching performance. The proposed approach first extracts deep descriptors of the anchor patches and corresponding positive patches in a batch using the proposed pyramid convolutional neural network. Following this step, the approaches chooses the closest negative patch for each anchor patch and corresponding positive patch pair to form the triplet sample based on the descriptor distances among all other image patches in the batch. These triplets are used to optimize the parameters of the network using a new loss function. We evaluated the proposed deep descriptors on two benchmark data sets (Brown and HPatches) as well as real image data sets. The results reveal that the proposed descriptor achieves the state-of-the-art performance on the Brown data set and a comparatively very high performance on the HPatches data set. The proposed approach finds more correct matches than the classical handcrafted feature descriptors on aerial image pairs and is observed to be robust to variations in the viewpoint and illumination. Numéro de notice : A2019-416 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.85.9.673 date de publication en ligne : 01/09/2019 En ligne : https://doi.org/10.14358/PERS.85.9.673 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93543 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2019091	SL	Revue	Centre de documentation	Revues en salle	Disponible