基于机器学习的点集匹配算法

摘要

点集匹配是计算机视觉和模式识别中的重要问题,在目标识别、医学图像配准、姿态估计等方面都得到广泛应用.提出基于机器学习的端对端模型——multi-pointer network(MPN)来解决点集匹配问题.该网络模型利用多标签分类的思想,改进pointer network.以前的模型只输出输入序列的一个元素,而MPN模型选择输入序列中的一组元素作为输出.首先,把点集匹配问题转换为序列问题.这样,网络的输入为顶点的坐标序列,输出为点对之间的对应关系.利用这种方式,可以解决相对于整个空间的平移变换和其他大幅度的刚性变换.实验结果表明,模型也可以被推广解决其他带结构的组合优化问题,如三角剖分等.