当前位置:   article > 正文

SuperGlue中的最优传输算法详解

superglue

一、问题背景

  在SuperGlue中,作者将两图像中寻找对应特征点的问题看做是一个传输问题,即找到一个分配矩阵 P P P,使得两个图像的特征集合 A A A B B B中的点尽可能多的正确对应。这与求解最优传输问题的过程不谋而合。

二、最优传输问题

  最优传输问题是以最小代价将一种概率分布变换成另一种概率分布。在图像特征点匹配的例子中,就是将第一幅图像的特征点与第二幅图像的特征点进行关联,使得正确关联的数量尽可能地多。可能存在的方案是:
U ( r , c ) = { P ∈ R > 0 m × n ∣ P 1 M = r , P 1 N = c } (1) U(\mathbf r,\mathbf c)=\{\mathbf P \in \mathbb R^{m \times n}_{>0}|\mathbf P \mathbf 1_M=\mathbf r,\mathbf P \mathbf 1_N=\mathbf c\}\tag{1} U(r,c)={ PR>0m×nP1M=r,P1N=c}(1)
其中, 1 M \mathbf 1_M 1M M M M维全1向量; r \mathbf r r为第一个分布中的值, c \mathbf c c为第二个分布中的值。代价函数为:
d M ( r , c ) = min ⁡ P ∈ U ( r , c ) ∑ i , j P i j M i j (2) d_M(r,c)=\min\limits_{P\in U(\mathbf r,\mathbf c)}\sum_{i,j}{P_{ij}M_{ij}}\tag{2} dM(r,c)=PU(r,c)mini,jPijMij(2)
其中,将第一个分布的第 i i i个值与第二个分布的第 j j j个值进行关联的代价为 M = { M i j } M=\{M_{ij}\} M={ Mij}
式(2)也称为Wasserstein metric 或earth mover distance(EMD)代价函数。
  若增加正则项,则代价函数表示为:
d M λ ( r , c ) = min ⁡ P ∈ U ( r , c ) < P , M > F − 1 λ h ( P ) (3) d_M^{\lambda}(r,c)=\min\limits_{P\in U(\mathbf r,\mathbf c)}<P,M>_F-\fra

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/正经夜光杯/article/detail/754791
推荐阅读
相关标签
  

闽ICP备14008679号