基于深度学习的航空遥感影像密集匹配

摘要

cqvip:本文探讨了深度学习在航空影像密集匹配中的性能,并与经典方法进行了比较,对模型泛化能力进行了评估。首先,实现了MC-CNN(matching cost convolutional neural network)、GC-Net(geometry and context network)、DispNet(disparity estimation network)3种代表性卷积神经元网络在航空立体像对上的训练和测试,并与传统方法SGM(semi-global matching)和商业软件SURE进行了比较。其次,利用直接迁移学习方法,评估了各模型在不同数据集间的泛化能力。最后,利用预训练模型和少量目标数据集样本,评估了模型微调的效果。试验包含3套航空影像、2套开源街景影像。试验表明:①与传统的遥感影像密集匹配方法相比,目前深度学习方法略有优势;②GC-Net与MC-CNN表现了良好的泛化能力,在开源数据集上训练的模型可以直接应用于遥感影像,且3PE(3-pixel-error)精度没有明显下降;③在训练样本不足时,利用预训练模型做初值并进行参数微调可以得到比直接训练更好的结果。