Cascaded Homography-Constrained Local Feature Matching for Optical and SAR Images
Notice bibliographique
Résumé
Due to significant nonlinear radiation distortion and inherent speckle noise in SAR images, reliable matching between optical and SAR images remains a critical challenge. Current deep learning-based methods for optical and SAR image matching typically enhance specific steps of traditional algorithms, such as feature detection or description, but lack a comprehensive end-to-end solution. In response, we propose an end-to-end cascaded homography-constrained image matching (CHCIM) method for optical and SAR images. First, we combine CNN and transformers to efficiently fuse and extract similar features between optical and SAR images. In addition, a bilateral matching and homography-based cascade matching strategy is introduced for supervision and inference, which first refines the matching range using homography constraints and then employs random uniform sampling to select candidate features for further refinement. Extensive experiments demonstrate that CHCIM significantly outperforms the state-of-the-art baselines (e.g., RIFT and LoFTR) in matching accuracy (91.90% versus 50.10% and 44.37%), achieving the highest scores in mean matching accuracy (66.18% versus 4.01% and 4.67%) and the number of correct matches (1378 versus 43 and 26). Furthermore, CHCIM is effective in weak texture scenarios and robust to large scale and rotation variations. The code will be publicly available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/LJY-RS</uri>.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».