MS-POFT: multiscale phase-orientation guided feature transform for multi-modal image matching
Notice bibliographique
Résumé
Multi-modal remote sensing image (MRSI) matching has always been a challenging task. Traditional image matching methods often fail to obtain satisfactory results in most cases due to temporal differences, complex geometric distortions, and non-linear radiometric differences (NRDs). The key to addressing MRSI matching lies in mitigating NRDs to achieve robust extraction and description of features. This paper proposes a multiscale phase-orientation guided feature transform (MS-POFT) for multi-modal image matching. Two novel strategies are investigated and integrated into MS-POFT to improve the matching performance. A phase-structured adaptive detection is designed by the complementation of phase stretching transform and adaptive sliding windows, which ensures stable feature point extraction across different scales. Then, a new feature descriptor suitable for multi-modal images, called MS-PGLOH, is constructed based on phase and gradient principal direction in multiscale space. We performed comparison experiments on various multimodal datasets from remote sensing, natural sceneries, night surveillance, medical and temporal changes. Our experimental results both in qualitative and quantitative ways show that our proposed MS-POFT outperforms other comparison methods. MS-POFT successfully matched all given image pairs, achieving satisfactory results in terms of the number of correct matches (NCM), proportion of corrections ratio (PCR), and a reduced root-mean-square error (RMSE) of approximately 1.36.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».