A novel learning-based image matching approach based on mutual nearest neighbor search with ratio test

Bu tez, kullanıma hazır bir derin sinir ağı tarafından çıkarılan öğrenilmiş özellikleri kullanan ve ümit veren bir performans elde eden yeni bir görüntü eşleştirme yöntemi önermektedir. Önerilen yöntem, özellik çıkarıcı olarak önceden eğitilmiş VGG mimarisini kullanır ve eşleştirmeyi iyileştirmek için herhangi bir ek eğitim gerektirmez. Psikoloji alanındaki Zihinsel Rotasyon paradigması gibi köklü kavramlardan esinlenerek, bir ön geometrik dönüşüm tahmini kullanılarak bir ilk çarpıtma gerçekleştirilir. Bu tahminler basitçe, eşleştirilecek görüntülerin VGG ağ çıktılarının terminal katmanında Çift Yönlü Oran Testi ile Karşılıklı En Yakın Komşu Araması (ÇYOTiKEYKA) kullanılarak yoğun eşleştirmeye dayanmaktadır. Bu ilk hizalamadan sonra, iyi bir yerelleştirme ve eşleştirme performansına ulaşmak için referans ve hizalanmış görüntüler arasında hiyerarşik bir şekilde aynı yaklaşım tekrarlanır. Ayrıca kapsamlı deneyler ile literatürde yer alan beş klasik ve dört öğrenme temelli yöntem de tek bir parametre optimize edilerek karşılaştırılmış ve önerilen yöntemin en gelişmiş performansı sağladığı gösterilmiştir. Adil bir karşılaştırmadan sonra, iyi bilinen bir veri seti olan HPatches üzerindeki deneysel sonuçlar, klasik ve öğrenmeye dayalı yöntemler arasındaki performans farkının önceki çalışmalarda bildirildiği kadar önemli olmadığını ortaya koymaktadır. Genel olarak, yalnızca önceden eğitilmiş bir ağ ve oran testi kullanan önerdiğimiz yöntemimizin, iyi eğitilmiş öğrenme temelli yöntemlerin çoğundan daha iyi performans gösterdiği ve herhangi bir klasik yöntemin parametrelerinin, öğrenmeye dayalı bir teknikle karşılaştırma yapmadan önce dikkatlice analiz edilmesi gerektiği sonucuna varıyoruz.