基于自学习特征权重网络的模板匹配研究

摘要

本文为了提高模板匹配的准确率,提出了一种基于自学习特征权重网络(self-learning feature weight network,SFWN)的模板匹配算法。首先,通过可视化的方法分析卷积神经网络不同层特征图的特点,从而选出有代表性的卷积层作为特征工程的特征提取器。然后,在网络中引入挤压与激励(squeeze and excitation,SE)结构,使得网络具有自学习特征通道权重的能力。删除权重小的特征图通道有助于减小特征图复杂度,从而减少匹配算法计算量。另外,自制了一个关于电力场景的模板匹配数据集TMDE(Template Matching Dataset in Electric)用于验证算法准确率。实验表明,与已发表文献相比,基于SFWN的模板匹配算法具有较高的准确率和较强的鲁棒性,更具有实际应用前景。