[发明专利]基于LFGC网络和压缩激励模块的图像匹配方法

权利要求书

1.基于LFGC网络和压缩激励模块的图像匹配方法，其特征在于：包括以下步骤：

S1、获取图像，所述图像中，一部分作为训练集，一部分作为验证集，剩下的一部分作为测试集；

S2、将压缩激励模块融入LFGC网络中，构建用于图像匹配的网络模型；

所述用于图像匹配的网络模型的输入为一个H×D的张量P，输出为一个H×C的张量O；

所述用于图像匹配的网络模型包含M个SE-CNe模块，且M个SE-CNe模块从上到下依次连接；

每个SE-CNe模块中均包括：第一感知器、上下文标准化层、批量标准化层与ReLU激活函数、第二感知器和压缩激励模块；

其中，第一感知器用于生成特征图，并将张量P的维度从输入维度H×D转换为特征维度H×C，并将所述特征图输入到上下文标准化层；

上下文标准化层用于根据输入的特征图来获取全局上下文关系，并对所述全局上下文关系进行建模，得到上下标准化后的特征图，并将所述上下标准化后的特征图输入到批量标准化层与ReLU激活函数；

批量标准化层与ReLU激活函数用于对每个神经元的输入进行标准化，得到批量标准化并激活后的特征图，并将所述批量标准化并激活后的特征图输入到第二感知器；

第二感知器用于接收所述批量标准化并激活后的特征图，处理后得到合并上下文信息后的特征图，并将所述合并上下文信息后的特征图分别输入到压缩激励模块中的全局平均池化层和Scale层；其中，所述合并上下文信息后的特征图中包括多个特征通道；

所述合并上下文信息后的特征图输入到压缩激励模块中的全局平均池化层后，对所述合并上下文信息后的特征图进行挤压与激励操作，得到所述合并上下文信息后的特征图中各特征通道的权重，并将所述各特征通道的权重输入到Scale层；

Scale层用于接收所述合并上下文信息后的特征图和所述各特征通道权重，然后将所述合并上下文信息后的特征图与所述各通道权重进行逐通道相乘，得到重新标定后的特征图；

所述重新标定后的特征图与所述第一感知器生成的特征图进行相加后得到的结果即为当前SE-CNe模块的输出；

其中，第1个SE-CNe模块的输入为一个H×D的张量P，第m个SE-CNe模块的输入为：第m-1个SE-CNe模块的输出，m∈[2,M]；第M个SE-CNe模块的输出结果，即为用于图像匹配的网络模型的输出结果；

S3、利用步骤S1中作为训练集的图像对所述用于图像匹配的网络模型进行训练，获得训练好的用于图像匹配的网络模型；

S4、利用所述训练好的用于图像匹配的网络模型对待匹配图像进行匹配，获得待匹配图像的匹配结果。

2.如权利要求1所述的基于LFGC网络和压缩激励模块的图像匹配方法，其特征在于：步骤S3中，利用步骤S1中作为训练集的图像对所述用于图像匹配的网络模型进行训练，包括以下步骤：

S3-1、采用SIFT算法对步骤S1中作为训练集的图像进行特征点提取，并建立初始匹配集；

S3-2、将步骤S3-1中所述初始匹配集输入到所述用于图像匹配的网络模型，对所述用于图像匹配的网络模型进行训练。